Question

网址中带有中文字符的php正则表达式

function get_links($file, $url, $can_leave_domain, $base) {

$chunklist = array ();
// The base URL comes from either the meta tag or the current URL.
if (!empty($base)) {
$url = $base;
}

$links = array ();
$regs = Array ();
$checked_urls = Array();

preg_match_all("/href\s*=\s*[\'\"]?([+:%\/\?~=&;\\\(\),._a-zA-Z0-9-]*)(#[.a-zA-Z0-9-]*)?[\'\" ]?(\s*rel\s*=\s*[\'\"]?(nofollow)[\'\"]?)?/i", $file, $regs, PREG_SET_ORDER);
foreach ($regs as $val) {
if ($checked_urls[$val[1]]!=1 && !isset ($val[4])) { //if nofollow is not set
if (($a = $this->url_purify($val[1], $url, $can_leave_domain)) != '') {
$links[] = $a;
}
$checked_urls[$val[1]] = 1;
}
}

上面是原来的代码
使用中无法抓取类似这样的URL
<td width=12% ><a href=/space/?UserName=无声的风 target='_blank'>无声的风</a></td>
得到的结果是/space/?UserName=
=后面是空的

请问如何修改？谢谢
刚才回答的朋友，可能我表达的不是很清楚，要抓取的URL，不一定都是带中文的
我的意思是让那段正则表达式可以包含中文字符。我不知怎么写，查了一下午，越看头越大。

Answer 1

在中文字符出现的地方用[^`]+表示，你也可以用其它字符代替“`”，只要中文字符内处不可能出现的字符就行。
意思是：不是“`”字符，除了“`”的一切字符，包括中文，重复一次或多次。
为什么要这样表示中文字符的集合呢？
可能是因为在正则表达式中没有表示中文字符的字符类或集合或范围。甚至[[:print:]]+都不行！
测试如下：
<?php
$str='ffdjsfjshgfhfg<12><模式>d<括号内的部分>f符类中fs<字符类中可tryrt用的元字符为>：sjssdfsfs,sfsfjksjk,<iogfds12346789>括号内的部分';

$b='[<][^<]+[>]';//有可能出现中文字符的地方用[^<]+表示
//$b='[<][[:print:]]+[>]';

while(eregi($b,$str,$array))
{
$str_h=str_replace("<","<",$array[0]);
$str_h=str_replace(">",">",$str_h);

echo $str_h."</br>";
$str=str_replace($array[0],'',$str);
}//From J.L
?>

Answer 2

试试这样行不行：
"/href\s*=\s*[\'\"]?([+:%\/\?~=&;\\\(\),._a-zA-Z0-9-\u4e00-\u9fa5]*)(#[.a-zA-Z0-9-]*)?[\'\" ]?(\s*rel\s*=\s*[\'\"]?(nofollow)[\'\"]?)?/i"

Answer 3

将UserName后面的参数使用urlencode转码一次