为什么这个正则表达式不起作用 - Why this regex doesn't work?

我有这个正则表达式：

preg_match_all("/<'s*?img's[^>]*?src=(['"']??)([^'"' >]*?)'1[^>]*?>/si", $content, $m);

这个想法是在一段HTML中找到所有图像链接。鉴于此内容：

<p>
    <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />Some text here.</p><a href="site.html">test</a>

执行正则表达式后，$m是一个带有 3 个空数组的数组，但如果我用这个站点测试它，它说结果是：

Array
(
    [0] => Array
        (
            [0] => <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />
        )
    [1] => Array
        (
            [0] => "
        )
    [2] => Array
        (
            [0] => /emailimg/interdigital_old.jpg
        )
)

怎么了？是配置问题吗？

DOM/XPath（即正确）方式：

<?php
  $html = '
<p>
    <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />Some text here.</p><a href="site.html">test</a>
';
  $dom = new DOMDocument('1.0');
  $dom->loadHTML($html);
  $xpath = new DOMXPath($dom);
  $links = array();
  foreach ($xpath->query('//img/@src') as $img) $links[] = $img->value;
  print_r($links);

经过测试并正常工作。

编辑

您的正则表达式不起作用的原因有两个：

您已使用双引号字符串声明了正则表达式。这通常会导致您意想不到的事情，并且并不完全明显，因为双引号字符串会在传递给 PCRE 之前插入某些转义序列本身。在您的情况下，这造成的问题是'1被解释为八进制字符定义（如此处定义），因此您的表达式中包含文字0x01（标题开头）字符，而不是您希望 PCRE 用作反向引用的'1字符串。

我发现当我遇到这样的问题时，一个好的起点是简单地echo表达式进行筛选，以查看 PHP 如何插入您在脚本中声明的字符串。这是该特定问题的演示。
(['"']??) - 第二个问号正在打破它。我实际上不确定你想用这个完成什么，它只是一个错误的类型吗？我很难弄清楚PCRE是如何解释这一点的，以及它为什么会破坏它，但只要说它确实如此就足够了，第二个问号需要去掉。FTR，它的效果是表达式仍然与<img>标记匹配，但以下捕获组（您实际需要的数据）为空。

现在让我们分解正则表达式，看看如何改进它：

<'s*?img - 这里的非贪婪*毫无意义，因为's只匹配空格，下一个序列将是 alpha，只需<'s*img就足够了。我实际上不确定 HTML 标签是否允许在开头<和标签名称之间有前导空格，但我想允许它不会有任何伤害，因为适当的解析器可能会。
's[^>]*?src=(["']??) - 如前所述，捕获组中的??正在破坏表达式，我不确定您首先要用它做什么。另外，我再次认为非贪婪*毫无意义，因为标签将以 > 结尾，如果我们到最后还没有找到src，那么无论如何它都不是匹配的。另外，如果我们在不应该的地方允许空格，但解析器可能会允许，我们可能应该在=周围允许它。我会把它重写成's[^>]*src's*='s*(["']?).
([^"' >]*?)'1 - 假设您担心能够处理未引用的属性，这里没有抱怨。当然，如果您知道属性将始终被引号，则只需使用 ([^'1]*?)'1 并从前面的捕获组中删除?，我们在其中确定了正在使用的引用类型。
[^>]*?> - 这里没有抱怨。
/si - s修饰符毫无意义，因为表达式中的任何地方都没有.。它不会造成任何伤害，但也无济于事，所以它是多余的。

所以，把所有这些放在一起，这就是我写正则表达式的方式：

/<'s*img's[^>]*src's*='s*(["']?)([^"' >]*?)'1[^>]*>/i

。当转换为带有引号正确转义的 PHP 字符串声明时，如下所示：

$expr = '/<'s*img's[^>]*src's*='s*(["'']?)([^"'' >]*?)'1[^>]*>/i';

。顺便说一下，这很好用。

现在，我仍然认为即使考虑额外的代码，DOM 方法也更好，因为它可能会捕获我的正则表达式技能忘记的边缘情况。尽管不可否认，正则表达式似乎确实更快一些。