如何用RegEx抓取带/不带引号的Facebook Meta属性与内容值

问题背景 #

抓取不同站点的Facebook OG Meta值时，部分站点（如usatoday.com）HTML代码不规范，属性存在带/不带转义引号（"）或普通引号的情况。现有多分支preg_match写法灵活性差，还无法捕获无引号的URL类content值。

优化后的正则表达式 #

用单条正则即可兼容所有不规范场景：

preg_match('/<meta\s+(?:[^>]*?\s+)?property=(?:"|&quot;)?(og:[a-z:]+)(?:"|&quot;)?\s+(?:[^>]*?\s+)?content=(?:"|&quot;)?(?(?="|&quot;)(.+?)(?:"|&quot;)|([^\s>]+))\s*\/?>/i', $raw_html, $matches);

正则逻辑说明 #

• <meta\s+：匹配<meta标签开头及后续空格
• (?:[^>]*?\s+)?：非贪婪匹配标签内的其他属性（不捕获），兼容属性顺序不固定的情况
• property=(?:"|")?(og:[a-z:]+)(?:"|")?：匹配property属性，支持带普通引号、转义引号或无引号的情况，捕获og:开头的属性名
• content=(?:"|")?：匹配content属性开头，兼容带/不带引号的场景
• (?(?="|")(.+?)(?:"|")|([^\s>]+))：条件匹配逻辑
  • 如果遇到引号/转义引号，就捕获引号内的完整内容（支持含空格的文本）
  • 无引号时，捕获到空格或标签结束前的内容（适配URL类无空格值）
• \s*\/?>：匹配标签闭合，允许末尾空格及/>或>两种闭合方式

使用示例 #

// 测试带转义引号的文本内容（usatoday的og:title）
$raw_html1 = '<meta property=og:title content=&quot;Lakers trading Russell Westbrook in massive three-team deal with Jazz and Timberwolves&quot;/>';
if (preg_match('/<meta\s+(?:[^>]*?\s+)?property=(?:"|&quot;)?(og:[a-z:]+)(?:"|&quot;)?\s+(?:[^>]*?\s+)?content=(?:"|&quot;)?(?(?="|&quot;)(.+?)(?:"|&quot;)|([^\s>]+))\s*\/?>/i', $raw_html1, $matches)) {
    $property = $matches[1];
    $content = $matches[2] ?: $matches[3];
    echo "Property: {$property}\nContent: {$content}\n";
}

// 测试无引号的URL内容（usatoday的og:url）
$raw_html2 = '<meta property=og:url content=https://www.usatoday.com/story/sports/nba/2023/02/08/lakers-jazz-timberwolves-trade-russell-westbrook-mike-conley-dangelo-russell/11214855002/ />';
if (preg_match('/<meta\s+(?:[^>]*?\s+)?property=(?:"|&quot;)?(og:[a-z:]+)(?:"|&quot;)?\s+(?:[^>]*?\s+)?content=(?:"|&quot;)?(?(?="|&quot;)(.+?)(?:"|&quot;)|([^\s>]+))\s*\/?>/i', $raw_html2, $matches)) {
    $property = $matches[1];
    $content = $matches[2] ?: $matches[3];
    echo "Property: {$property}\nContent: {$content}\n";
}

优势 #

• 替代多分支判断，用单条正则覆盖所有属性引号场景
• 同时支持带空格的文本内容和无空格的URL内容捕获
• 兼容标签内属性顺序调换、多余空格等不规范HTML写法

内容的提问来源于stack exchange，提问作者what