PHP preg_match 正則提取 URL 與指定區域內容實戰

preg_match 實戰：從 HTML 提取連結、擷取標籤內容的正則技巧

preg_match() 和 preg_match_all() 是 PHP 正則表達式提取資料的核心函式。本文透過兩個實戰範例：提取標籤內容、解析 URL 域名，詳細解析正則模式設計、旗標使用、結果陣列結構與常見陷阱。

範例一：提取 HTML 標籤包裹的內容

<?php
$string = '<b>example:</b><div align=left>this is a test</div>';

// 模式：匹配成對標籤及其內容
// <[^>]+>       起始標籤 (非貪婪匹配屬性)
// (.*?)         內容 (非貪婪，捕獲組 1)
// ]+>      結束標籤
$pattern = '|<[^>]+>(.*?)</[^>]+>|';

// preg_match_all 找出所有匹配
// PREG_PATTERN_ORDER (預設)：$matches[0] 完整匹配，$matches[1] 第一捕獲組...
preg_match_all($pattern, $string, $matches, PREG_PATTERN_ORDER);

print_r($matches);
/* 結果：
Array
(
    [0] => Array
        (
            [0] => <b>example:</b>
            [1] => <div align=left>this is a test</div>
        )
    [1] => Array
        (
            [0] => example:
            [1] => this is a test
        )
)
*/

// 輸出提取內容
echo $matches[1][0] . ', ' . $matches[1][1]; // example:, this is a test
?>

範例二：從 URL 提取域名

<?php
$url = 'https://www.example.com/path/page.html?query=value#anchor';

// 步驟 1：提取 host 部分 (含 port)
if (preg_match('/^(?:https?:\/\/)?([^\/]+)/i', $url, $matches)) {
    $host = $matches[1]; // www.example.com
    echo "Host: $host\n";
}

// 步驟 2：從 host 提取主域名 (去除 www. 等子域名)
// 匹配：倒數兩段 (example.com) 或 三段 (co.uk 等公共後綴需公共後綴列表)
if (preg_match('/([^\.]+\.[^\.]+)$/', $host, $matches)) {
    $domain = $matches[1];
    echo "Domain: $domain\n"; // example.com
}

// 一次性正則 (簡易版，不處理公共後綴)
preg_match('/^(?:https?:\/\/)?(?:[^@\/]+@)?([^:\/\n]+)/i', $url, $matches);
$host = $matches[1]; // 含 port
$domain = preg_replace('/^www\./i', '', $host); // 簡易移除 www.
?>

正則模式深度解析

進階：健壯的 URL 解析 (使用 parse_url)

<?php
function extractDomain(string $url): ?string {
    $parsed = parse_url($url);
    if (!$parsed || empty($parsed['host'])) return null;
    
    $host = $parsed['host'];
    // 移除 www. 前綴 (簡易)
    $host = preg_replace('/^www\./i', '', $host);
    
    // 進階：使用公共後綴列表 (Public Suffix List) 正確提取註冊域名
    // 需引入庫如 true/punycode 或 手動維護列表
    return $host;
}

$urls = [
    'https://www.google.com/search?q=php',
    'https://sub.domain.co.uk/path',
    'ftp://user:pass@ftp.example.com:21/file.txt',
    '//cdn.example.com/js/app.js', // 協議相對 URL
];

foreach ($urls as $url) {
    echo "$url => " . extractDomain($url) . PHP_EOL;
}
?>

常見陷阱與最佳實踐

• ❌ 用正則解析完整 HTML：HTML 非正則語言，巢狀、屬性、註解會導致失效。請用 DOMDocument。
• ❌ 貪婪匹配 .* 導致跨標籤匹配：務必用非貪婪 .*? 或排除字元類別 [^<]*。
• ❌ 忽略修飾符：i (大小寫不敏感)、s (點號匹配換行)、m (多行模式) 常被遺漏。
• ✅ 優先用 parse_url() 解析 URL：內建、標準、處理編碼、端口、使用者資訊完整。
• ✅ 域名提取用公共後綴列表：co.uk, com.tw 等需特殊處理，單純正則無法完美解決。
• ✅ 預編譯正則重複使用：迴圈外定義模式，避免重複編譯開銷。

結語

preg_match 是強大的字串提取工具，但**正則表達式無法正確解析巢狀結構 (HTML、JSON、XML)**。提取 URL 域名請優先使用 parse_url() 配合公共後綴列表；簡單標籤內容提取可用非貪婪正則，但複雜 HTML 必須改用 DOM 解析器。掌握正則邊界，寫出健壯程式碼。