Regular Expression Links von href="" auslesen

Hallo,
ich habe ein eigentlich funktionierendes Pattern geschrieben, welches mir jedoch in der Praxis Probleme bereitet.

<a.*href=(?:\"|\')(.*?)(?:\"|#|\'|mailto:).*>

Hier sollte im Array eigentlich immer nur folgendes stehen:

Array
(
    [0] => Array
        (
            [0] => <a href="link.html">
            [1] => link.html
        )


    [1] => Array
        (
            [0] => <a class="link" href="link.html" onClick="test(123)">
            [1] => link.html
        )
}

Leider sieht es bei mir zum Teil so aus:

Array
(
    [0] => Array
        (
            [0] => <a href="link.html">><span class="div-top-menu"></span></li><li><a title="Newsletter" href="service/newsletter.html" onfocus="blurLink(this);">Newsletter</a>...
            [1] => link.html
        )


    [1] => Array
        (
            [0] => <a class="link" href="link.html" onClick="test(123)">
            [1] => link.html
        )
}

Demnach geht also der Link service/newsletter.html verloren, was sicherlich durch das Pattern .* hervorgerufen wird. Nur wie kann man das ändern?

Vielen Dank

Zitat von DarkSyranus

Versuch mal folgendes Pattern:

Code

<a[^>]*href=(?:\"|\')([^>]*)(?:\"|#|\'|mailto:)[^>]*>

Das hat zwar nun die Links drin, aber ich verstehe nicht was [^>] macht und es wird zudem oft noch mehr mitgenommen:

[22] => Array
    (
        [0] => <a href="seite/einleitung.html" onfocus="blurLink(this);">
        [1] => seite/einleitung.html" onfocus="blurLink(this); <= overhead
[26] => Array
    (
        [0] => <a class="mail" title="&Ouml;ffnet ein Fenster zum Versenden einer E-Mail" href="mailto:info@trest.de">
        [1] => mailto:info@trest.de <= mailto soll nicht rein

Zitat von phore

Versuchs mal mit preg_match_all() und schau dir bei regex greedy/ungreedy an.

Ich habe dazu nur das hier gefunden, womit ich was anfangen konnte:
http://www.exampledepot.com/egs/java.util.regex/Greedy.html
Mit

<a.*href=(?:\"|\')(.*?)(?:\"|#|\'|mailto:).*?>

geht es aber genausowenig.

Zitat von DarkSyranus

Damm, hatte noch einen kleinen Denkfehler drin
Probier mal folgendes Pattern.

PHP

preg_match_all('|<a\s+href=[\'\']([^\'\']*)[\'\']\s*>.*</a>|Ui', $source, $target, PREG_SET_ORDER);

Gibt nur 1nen Link aus.

Zitat von DarkSyranus

Dann zeig mal bitte den Rest deines Skriptes bzw. die Links O.o
Hab das grad mal beim FH Quelltext probiert, und da geht es wunderbar ...

<?php
$source = '<a href="kontakt/allgemein.html" onfocus="blurLink(this);">Kontakt</a>';
preg_match_all('|<a\s+href=[\'\']([^\'\']*)[\'\']\s*>.*</a>|Ui', $source, $target, PREG_SET_ORDER);
print_r($target);
?>

Leeres Array... was macht das |Ui denn?

Zitat von DarkSyranus

Meine Güte, ich kann heut irgendwie nicht mehr klar denken ~.+
Sag bescheid, falls ich noch was vergessen habe ...

Code

|<a.*\s+href=[\'\']([^\'\']*)[\'\'].*>.*</a>|Ui

Das U und das i am Schluss sind Modifikatoren.

Vielen Dank für deine Hilfe. Ich würde noch gerne 2 Sachen mehr Filterm, weiß jedoch nicht, wie ich dies in der Regex ergänze.

[8] => Array
        (
            [0] => <a href="#A.20">FAQ</a>
            [1] => #A.20
        )

<a.*\s+href=[\'\']([^\'\']*)[\'\'\#].*>.*</a>

Erstellt jedoch noch die ganzen Arrays. Kann man dies verhindern?

[22] => Array
        (
            [0] => <a class="mail" href="mailto:test@test.de"><img src="/img/mail.gif"/>per Email</a>
            [1] => mailto:test@test.de
        )

<a.*\s+href=[\'\']([^\'\']*)[\'\'mailto]:.*>.*</a>

Geht so gruppenbedingt auch nicht.

Zitat von firefox5.0

Da auf mein Thread niemand so schlau antworten konnte, frag ich hier grad mal rein, da es zum Thema passt:

Wie müsste das RegEx aussehen, wenn man NUR die Links ersetzen müsste (wenns ginge, irgendwie in einem Schritt per preg_replace(), oder so...).
Das heisst so:

<a href="?url=xyz">....

nach so:

<a href="http://www.xyz.yz/?hello=http://iuoi.com/?url=xyz">...

Du kannst get Parameter mit dem ? einleiten. Anschließend müssen die Parameter aber mit einem & getrennt werden.

http://domain.de/index.php?param1=wert1&param2=wert2

Zitat von DarkSyranus

Hm, wie meinst du das genau, filtert er dir jetzt zu wenig, oder zu viel heraus ?
Bzw. versteh ich das richtig, dass er jetzt alle Links bis auf mailto: filtern soll ?
In dem Fall würde ich einfach das array einmal durchsuchen und alle mailto: rauszulöschen, sollte einfacher gehen, als das Rexex wieder umzuschreiben.

Also ich habe das nun erstmal mit substr() gelöst und dann halt geguckt ob mailto: im Array steht. An der ersten Position steht.

Konkret wollte ich nur wirkliche Links also kein mailto: oder #text Verweise und da wäre es für mich nun interessant wie man zumindest das mailto: hätte weglassen können, da es sich hierbei ja um mehre Buchstaben handelt und dies so in der Gruppe nicht einfach reingeschrieben werden kann.

Danke