如何使用T-SQL从HTML内容中提取所有PDF链接

• 原代码中PATINDEX('%.pdf"%',@t) 未指定搜索起始位置，默认从字符串开头匹配，每次都会命中整个剩余串中最后出现的.pdf"，导致截取的内容包含大量无关片段，结果过长。
• 多余的set @strtpos = PATINDEX('%href="%', @lnk)+6 逻辑错误，干扰循环位置判断，导致只能返回第一个结果甚至提前终止循环。
• 剩余字符串截断的偏移计算错误，导致下次循环的匹配位置错位。

调整逻辑：先完整提取每个href属性的内容，再判断是否为.pdf后缀，符合要求再存入结果表，修正后的函数代码如下：

ALTER function [dbo].[GetLinks] (@t nvarchar(max))
returns @Links table (link nvarchar(max))
as
begin
    declare @strtpos int, @endpos int, @lnk nvarchar(max)
    -- 定位第一个href的起始位置（跳过href="共6个字符）
    set @strtpos = PATINDEX('%href="%', @t) + 6
    while @strtpos > 6
    begin
        -- 找到当前href对应的结束双引号位置
        set @endpos = CHARINDEX('"', @t, @strtpos)
        -- 没有找到结束双引号直接终止循环
        if @endpos = 0 break
        -- 截取完整的href属性值
        set @lnk = SUBSTRING(@t, @strtpos, @endpos - @strtpos)
        -- 判断是否为pdf后缀，符合要求则插入结果
        if RIGHT(@lnk, 4) = '.pdf'
        begin
            insert into @Links values(@lnk)
        end
        -- 截断剩余字符串，从当前结束双引号之后开始下一轮搜索
        set @t = RIGHT(@t, LEN(@t) - @endpos)
        -- 定位下一个href的起始位置
        set @strtpos = PATINDEX('%href="%', @t) + 6
    end
    return
end

使用你提供的示例内容调用，去掉top 1即可返回所有符合要求的pdf链接：

select * from dbo.GetLinks(' <p>text here <a href="example.com/abc.pdf">link</a>
     some other text <a href="example.com">home</a>
     <a href="www.example.com/abc123.pdf">link 2</a></p>')

返回结果为：

• 如果存在href="xxx.pdf?version=1"这类带参数的pdf链接，将RIGHT(@lnk, 4) = '.pdf'调整为PATINDEX('%.pdf%', @lnk) > 0即可匹配。
• 如果HTML中href使用单引号包裹，只需将匹配规则中的双引号替换为单引号即可。
• 若使用SQL Server 2017及以上版本，也可以通过OPENXML解析HTML节点的方式提取，稳定性更高。

内容的提问来源于stack exchange，提问作者Faisal