如何使用PHP提取HTML<a>标签href属性中的所有URL？

你的原始代码存在几个明显局限性：

• 仅能匹配双引号包裹的href属性，单引号包裹的会直接被忽略
• 无法处理<a和href之间存在空格的情况（比如<a href='xxx'>）
• 当href不是<a>标签的第一个属性时（比如<a class="nav" href="xxx">），代码会直接失效
• 循环结束时会把无效的空值添加到数组里

推荐使用PHP内置的DOMDocument处理，这是官方认可的HTML解析方案，能兼容各种合法的HTML写法，可靠性远高于字符串截取：

<?php
$urls = [];
$htmlContent = file_get_contents("file.html");

// 初始化DOM解析器
$dom = new DOMDocument();
// 禁用HTML不规范导致的警告提示
libxml_use_internal_errors(true);
$dom->loadHTML($htmlContent);
// 清空错误缓存
libxml_clear_errors();

// 获取页面中所有<a>标签
$aTags = $dom->getElementsByTagName('a');

foreach ($aTags as $tag) {
    // 获取href属性值
    $href = $tag->getAttribute('href');
    // 过滤空值和javascript伪协议的无效链接，可按需调整规则
    if (!empty($href) && strpos($href, 'javascript:') !== 0) {
        $urls[] = $href;
    }
}

print_r($urls);
?>

代码说明： #

• libxml_use_internal_errors(true)：避免因HTML代码不规范抛出大量警告，若需调试可关闭此设置
• getElementsByTagName('a')：自动识别所有<a>标签，兼容标签大小写（比如<A>也能被捕获）
• getAttribute('href')：安全读取属性值，不受属性在标签中的位置、引号类型（单/双引号）甚至无引号的合法写法影响
• 额外增加的过滤逻辑可根据实际需求调整，比如保留mailto:协议的链接等

内容的提问来源于stack exchange，提问作者krystianowepu