正規表現で文字列中から href="..." 部分のみ取得したい

Question

いつもお世話になっております。

早速本題に入らせていただきます。

本日悩んでいるコードは以下となります。

$regex = '!href=".+"!';  //この正規表現
preg_match_all($regex, $text, $match);
var_dump($match);

正規表現を使用して、HTMLタグの中に含まれる href="" 部分のみを取得しようとしています。

取得してみた結果が以下となります。

array(1) {
  [0]=>
  array(10) {
    [0]=>
    string(99) "href="http://***.php?id=10290"><span lang="EN-US""
    [1]=>
    string(84) "href="http://***.pdf""
    [2]=>
    string(114) "href="http://***.pdf"><u><span lang="EN-US" style=""
  }
}

// *** 部分は伏せるために置き換えたものです

開始部分のhref="　は上手くとれていますが、
終了部分が上手く判定できていないようで、 style="　や、 <u> など
別のタグまで取れてしまっています。

どうにも正規表現が苦手で調べても上手く行かず...

お時間ある方いらっしゃいましたらご助力頂けますと幸いです。

Answer 1

いちばんシンプルにやるには、!href=".+?"!として、.+を最短一致させましょう。

なお、href=hogeやhref='piyo'、href = "fuga"のような書き方もHTMLとして正当なものですので、完全に取り切るにはもう少し広げる必要があるかもしれません。

Comments

[azuapricot]

さいたんいっちなるものがあるのですね・・・・・
くそう正規表現め・・・

ありがとうございます、最短一致させたところキレイにとれました！
一番詳しく書いてくださったのでBAとさせていただきます

Answer 2

最短マッチ

$regex = '!href=".+?"!';

Comments

[azuapricot]

さいたんまっち............

てっきり最短を勝手にとってくれるものだと・・・・

ありがとうございます解決です・・・！

Answer 3

正規表現は「最長一致」を取ります。なので

<a href="http://～"><span style="～">

のような場合は、最長一致する href="http://～"><span style="～" の部分を取ってしまいます。

必要なのは href="～" の部分ですが、この～の部分には " が含まれないのですから、正規表現としては
「href=" で始まり、" を含まない任意の文字列があり、" で終わる」というものにすればよいのです。

Comments

[azuapricot]

あ、なるほど、確かに " は含みませんね！
正規表現むずかしいです... もっと精進します...

ありがとうございました！

Answer 4

要件合ってますか？

preg_match_all("|<a href=\"(.*?)\".*?>(.*?)</a>|mis",$text,$matches);

$matches[1]にhrefの中身が取れます。