PHP正则匹配外链img标签如何避免灾难性回溯问题

你当前使用的正则触发灾难性回溯的核心原因，是三处(.*?)非贪婪通配符没有做边界限制：这类通配符可以匹配任意字符（包括标签闭合符>、属性引号、甚至其他标签的内容），当处理长HTML时，一旦出现不规范的标签片段、或者多个img标签连续排布，正则引擎会在大段文本范围内反复尝试分组的匹配边界，回溯计算量随文本长度指数级上涨，最终导致性能崩溃。

方案1：正则优化（适合必须用正则、HTML书写相对规范的场景） #

把所有无边界的.*?替换为带排除规则的字符组，直接锁死每个匹配段的边界，从根源消除跨范围回溯的可能，优化后的正则如下：

<img[^>]*?src=["']http[^"']*["'][^>]*?/?>

各部分的优化逻辑：

• 把<img标签后、src属性前的(.*?)替换为[^>]*?：仅匹配非标签闭合符>的内容，把匹配范围严格限制在单个img标签内部，不会跨标签扫描后续文本
• 把http后、属性闭合引号前的(.*?)替换为[^"']*：仅匹配非引号的内容，匹配到src属性的闭合引号就立即终止，不会跑到后续其他属性中查找引号
• 把src属性后、标签闭合前的(.*?)替换为[^>]*?：仅匹配到当前img标签的闭合>为止，不会越界匹配其他标签内容

注：该正则仅能覆盖常规规范书写的img标签，如果存在属性值内包含转义引号、>符号出现在属性值内的极端不规范场景，可能出现匹配偏差，但常规业务场景下回溯量可降低数个量级，完全不会触发灾难性回溯。

方案2：DOM解析（推荐，无任何回溯风险，兼容性最强） #

HTML属于上下文无关语法，正则本质上无法100%覆盖所有合法的HTML写法，长文本处理场景下优先使用PHP内置的DOM解析器，完全不存在正则回溯问题，示例代码：

$dom = new DOMDocument();
// 屏蔽不规范HTML、HTML5自定义标签产生的提示报错
@$dom->loadHTML($rawHtml, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$imgList = $dom->getElementsByTagName('img');
$httpImgs = [];
foreach ($imgList as $imgNode) {
    $srcVal = trim($imgNode->getAttribute('src'));
    // 筛选src以http开头的非本地引用img
    if (strpos($srcVal, 'http') === 0) {
        $httpImgs[] = $imgNode;
        // 如需修改属性、替换标签，直接操作$imgNode对象即可
    }
}

该方案不受属性顺序、单双引号、标签自闭合格式、文本长度影响，匹配准确率远高于正则写法，性能也更稳定。

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