PHP 正則表達式提取與檢測 HTML 超鏈接完整指南

在內容過濾、安全審計、數據採集等場景中，經常需要從字符串中識別、提取或移除 HTML 超鏈接。本文系統梳理三種常見需求的正則實現：判斷是否包含鏈接、提取 href 屬性值、完整解析 <a> 標簽的 URL 與錨文本。

一、判斷字符串是否包含超鏈接

使用正則匹配 <a> 標簽的開始與結束特徵：

<?php
$str = "ssdsf<a target='_blank' href='https://www.45it.net/' >sdf</a>sdfss";

if (preg_match("/<a\s+href=[^>]*>|<\/\s*a[^>]*>/i", $str)) {
    echo "該字符串包含超鏈接";
} else {
    echo "該字符串不包含超鏈接標記";
}
?>

正則解析：<a\s+href=[^>]*> 匹配帶 href 的開始標簽；<\/\s*a[^>]*> 匹配結束標簽；i 忽略大小寫。

二、提取/替換 href 屬性值

利用零寬斷言精確定位 href= 後到 > 前的內容：

<?php
$html = "<a href='www.45it.net'>你好，點這裡看看</a><a href='www.45it.net'>你好，點這裡看看</a>";

// 將所有 href 值替換為 #
$result = preg_replace("/(?<=href=)([^>]*)(?=>)/i", "#", $html);
echo $result;
// 輸出: <a href='#'>你好...</a><a href='#'>你好...</a>
?>

正則詳解：
(?<=href=) 正向後顧斷言，定位 href= 之後
([^>]*) 匹配非 > 字符（即 URL 內容）
(?=>) 正向前顧斷言，定位 > 之前

三、完整解析 <a> 標簽：提取 URL、錨文本、完整標簽

功能函數 match_links() 返回結構化數組：

function match_links($document) {
    // 正則捕獲組：1=引號 2=帶引號URL 3=無引號URL 4=錨文本 0=完整標簽
    preg_match_all(
        "'<\s*a\s.*?href\s*=\s*([\"'])?(?(1)(.*?)\1|([^\s>]+))[^>]*>?(.*?)</a>'isx",
        $document,
        $links
    );

    $match = ['link' => [], 'content' => [], 'all' => []];

    // 合併帶引號與無引號的 URL
    foreach ([$links[2], $links[3]] as $group) {
        foreach ($group as $val) {
            if (!empty($val)) $match['link'][] = $val;
        }
    }
    // 錨文本
    foreach ($links[4] as $val) {
        if (!empty($val)) $match['content'][] = $val;
    }
    // 完整標簽
    foreach ($links[0] as $val) {
        if (!empty($val)) $match['all'][] = $val;
    }
    return $match;
}

// 使用示例
$html = "<a href='https://a.com'>Link A</a> text <a href=https://b.com>Link B</a>";
print_r(match_links($html));

輸出結構：

Array
(
    [link] => Array ( [0] => https://a.com [1] => https://b.com )
    [content] => Array ( [0] => Link A [1] => Link B )
    [all] => Array ( [0] => <a href='https://a.com'>Link A</a> [1] => <a href=https://b.com>Link B</a> )
)

最佳實踐建議

• 對於複雜 HTML，優先考慮使用 DOMDocument 解析器，比正則更健壯
• 正則適用於結構固定、輸入可控的場景（如模板渲染、特定格式清洗）
• 注意轉義處理：輸入若包含實體字符（" 等），需先解碼再匹配