从Snoopy类中提取函数:获取链接标签

通分析过了Snoopy类，它里面有比较完善的匹配源码，可以看到有function fetchlinks($URI)。也就是获取"< a >"中链接的函数，可以很简单的提取出来，此外还发现，它的正则还支持高级语言中的三目运算，函数及示例如下：

<?php
function _striplinks($document) {
	preg_match_all("'<s*as.*?hrefs*=s*(["'])?(?(1) (.*?)\1 | ([^s>]+))'isx", $document, $links);
	// catenate the non-empty matches from the conditional subpattern
	while (list($key, $val) = each($links[2])) {
		if (!empty($val))
			$match[] = $val;
	} while (list($key, $val) = each($links[3])) {
		if (!empty($val))
			$match[] = $val;
	}
	// return the links
	return $match;
}
$document = file_get_contents('http://www.qq.com');
$datalink = _striplinks($document);
printf("<p>输出link数据为：</p><pre>%s</pre>n", var_export($datalink , true));
?>

以上函数及例子中对源码去掉了注释，通过执行发现很容易就得到了链接部分。下面对上面的正则部分做下解析：

正则分析：<s*as.*?hrefs*=s*(["'])?(?(1) (.*?)\1 | ([^s>]+))

'<s*as.*?hrefs*=s*       # 查找 <a href=

(["'])?                    # 匹配单引或双引号为分组1，也可以没有

(?(1) (.*?)\1 | ([^s>]+)) # 如果引号存在（分组1存在）匹配后引号

                             # 否则匹配非空格和非>内容

这个正则的难点也就是 (xxx)? (?(分组号) yyy|zzz)

我也是第一次碰到这样的正则，有点像高级语言的三目运算，我举个例子：

这个例子的目的是查找符合以下的规则

1、以123开头

2、后面有双引号则匹配引号和引号内的内容。

3、后面没有双引号，则是匹配后面为789的内容。

简单来说是匹配123"……" 或 123789

有引号优先匹配

<?php
$str = '123"456"789';
$search = '/123(")?(?(1).*?\1|789)/';
preg_match($search,$str,$r);
echo $r[0];
//output 123"456"
echo '<br /><br />';
$str = '123456789';
$search = '/123(")?(?(1).*?\1|789)/';
preg_match($search,$str,$r);
echo $r[0];
//output NULL
echo '<br /><br />';
$str = '123789456';
$search = '/123(")?(?(1).*?\1|789)/';
preg_match($search,$str,$r);
echo $r[0];
//output 123789
?>

从以上示例可以看到，

格式就像三目运算，高级语言是这样的：

(xxx)? yyy : zzz     如果xxx为真 执行yyy，否则执行zzzz

在正则中是：

(xxx)? (?(分组号) yyy|zzz) 如果xxx不为空 执行yyy，否则执行zzzz