提取HTML中a标签href属性值应优先使用DOMDocument，仅在格式极简时可用preg_match_all配合严格正则：/\<a\s+1href\s=\s['"](2+)['"]1>/i，结果在$matches[1]中。> ↩'" ↩
提取 HTML 中的 a 标签 href 属性值
直接用正则从 HTML 字符串里抓链接，最常见需求是提取 <a href="..."> 里的 URL。但注意：preg_match_all() 是唯一靠谱的选择，preg_match() 只能取第一个。
典型写法：
preg_match_all('/<a\s+[^>]*href\s*=\s*[\'"]([^\'"]+)[\'"][^>]*>/i', $html, $matches);结果在 $matches[1] 里。
- 必须加
i修饰符，否则HREF或Href就匹配不到 -
[^>]*是关键，防止跨标签匹配（比如把<img src="x"><a href="y">中的src错当href） - 单引号、双引号都要覆盖，所以用
[\'"]和对应的结束符，不能只写双引号 - 如果 HTML 里有换行或制表符，得补上
s修饰符，否则.不匹配换行——但这里没用.，所以暂时不用
href 值含空格、JS 伪协议、相对路径怎么办
真实页面里 href 经常不规范：前后带空格、写成 javascript:void(0)、或者只是 /path 或 ./file.html。正则本身不负责清洗或补全，得后续处理。
- 用
trim()清空格：array_map('trim', $matches[1]) - 过滤掉非 HTTP/HTTPS 链接：
array_filter($urls, fn($u) => str_starts_with($u, 'http://') || str_starts_with($u, 'https://')) - 相对路径补全需依赖当前页面 URL，正则做不到——得用
parse_url()+ 手动拼接，别指望一条正则解决 - 遇到
href="http://..."这种 HTML 实体编码，正则也无能为力，得先html_entity_decode()
为什么不用 DOMDocument？什么情况下必须换
正则快、轻量，适合简单 HTML 片段；但只要 HTML 不规范（比如标签未闭合、属性没引号、嵌套错乱），preg_match_all() 就开始漏或错匹配。这时候就得切到 DOMDocument。
立即学习“PHP免费学习笔记（深入）”；
- 用
DOMDocument::loadHTML()加libxml_use_internal_errors(true)吞掉警告 - 然后用
$dom->getElementsByTagName('a')遍历，读$a->getAttribute('href') - DOM 方式天然支持 base 标签解析、自动处理编码、忽略注释和 script 内容——这些正则全要手动防
- 性能差一截，但健壮性高太多；日志分析、爬虫预处理等场景建议默认用 DOM，仅调试或已知格式极简时才用正则
常见错误：匹配到 src、data-url 或注释里
写错正则容易贪心过头，比如用 /href\s*=\s*[\'"]([^\'"]+)/，会从第一个 href= 一直吃到末尾引号，中间穿过的可能是 <img src="..."> 的引号，甚至跨到下一个标签。
- 必须限定在
<a开始、>结束的范围内，靠<a\s+[^>]*和[^>]*>夹住 - 注释里的链接（
<!-- <a href="x"> -->）正则无法跳过，DOM 能自动忽略 - 如果 HTML 含有 CDATA 或
<script>块，且里面写了类似href字符串，正则也会误抓——这是根本性缺陷，没有绕过办法
正则提链接不是不能用，但每多一层嵌套、多一种手写 HTML 的习惯，出错概率就指数上升。真正要跑在线上、处理未知来源 HTML 时，DOMDocument 那点性能损失，远小于半夜被奇怪链接搞崩的代价。
