Discussion :

[raph37]

Bonjour à tous,

J'essais depuis un moment de trouver une REGEX permettant de sélectionner dans un code HTML les URLs non contenu dans les balise HTML.

Le but étant de l'utiliser dans un preg_replace de PHP pour trouver les URLs isolées d'une page HTML et les entourées d'une balise <a> pour les faire devenir cliquables .

Voici un exemple de code que je veux traiter :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
http://www.mon-url-seule-1.com
<div style="backgroun-image:url('http://www.monsite.com')">
   <a href="http://www.monsite.com">
      <img src="http://www.monsite.com">
   </a>
   <br />http://www.mon-url-seule2.com<br />
<div> http://www.mon-url-seule-3.com </div>
</div>

Le résultat que je souhaite obtenir :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
<a href="http://www.mon-url-seule-1.com">http://www.mon-url-seule-1.com</a>
<div style="backgroun-image:url('http://www.monsite.com')">
   <a href="http://www.monsite.com">
      <img src="http://www.monsite.com">
   </a>
   <br /><a href="http://www.mon-url-seule2.com">http://www.mon-url-seule2.com</a><br />
<div> <a href="http://www.mon-url-seule-3.com">http://www.mon-url-seule-3.com</a> </div>
</div>

Dans tous mes essais, je ne suis pas arrivé à sélectionner uniquement les URL seules...

Voici ou j'en suis dans ma REGEX : '/(?<!=\")(((f|ht){1}tp(s?):\/\/)[\w-@:%_\+.~#?&;\/\/=]+)/'

Cette partie fonctionne très bien, mais sélectionne toute les URLs, également celle déjà contenues dans les balises... /(((f|ht){1}tp(s?):\/\/)[\w-@:%_\+.~#?&;\/\/=]+)/

Et celle ci fait tout capoter... : (?<!=\")

Merci d'avance pour votre aide, je ne suis pas loin de ne plus avoir assez de cheveux pour continuer de me les arracher lol



edit : celle ci ne fonctionne pas nomplus ... '/([^\=]"?\s?((f|ht){1}tp(s?):\/\/)[\w-@:%_\+.~#?&;\/\/=]+)/'

[sabotage]

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

$html = preg_replace('/(?<!=")(\b[\w]+:\/\/[\w-?&;#~=\.\/\@]+[\w\/])/uis','<a href="$1">$1</a>',$html);

[raph37]

Magnifique ! Merci Sabotage pour cette réponse rapide et efficace!

U R the Guy !

[raph37]

Oups ! j'ai été un peu vite, cette regex traite cette ligne alors qu'elle ne devrait pas :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

<div style="backgroun-image:url('http://www.monsite.com')">

voilà le résultat :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

<div style="backgroun-image:url('<a href="http://www.monsite.com" target="_blank">http://www.monsite.com</a>')">

Il n'y aurait pas la possibilité dire à la regex de ne pas traiter tout ce qui ce trouve entre les "<>" ???

je vais creuser encore, mais je suis déjà bien avancé, encore merci

[raph37]

Code très légèrement modifié et çà a l'aire de marcher

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

$html = preg_replace( '/(?<!"|\'|\()(\b[\w]+:\/\/[\w-?&;#~=\.\/\@]+[\w\/])/uis','<a href="$1">$1</a>',$html);

[raph37]

Autre problème que j'avais oublié de précisé dans l'énoncé , j'aimerais aussi capturer les adresses de la forme www.monsite.com

je continue a chercher, mais si quelqu'un a la réponse, je suis preneur

[raph37]

Je n'ai pas trouvé d'autre solution que de rajouter une regex après ...

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
$regex[0] = '/(?<!"|\'|\()(\b[\w]+:\/\/[\w-?&;#~=\.\/\@]+[\w\/])/uis';
$regex[1] = '/(?<!"|\'|\(|\/)((www.)?[\w-?&;#~=\.\/\@]+[\w\/]{2,5)/uis';
 
$html = preg_replace($regex,'<a href="$1">$1</a>',$html);

[CosmoKnacki]

Une solution consiste à identifier grossièrement les urls potentiels par une pattern basique ( (?>(?>ht|f)tp://|(?>www\.))[^\s<]++ dans mon exemple) puis d'utiliser FILTER_VALIDATE_URL via une fonction de rappel avec preg_replace_callback().

Exemple:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
$pattern = '~<(?(?!(a|style|script|title|code)\b)[^>]++>|\1\b(?>[^<]++|<(?!/\1>))++)(*SKIP)(*FAIL)|(?>(?>ht|f)tp://|(?>www\.))[^\s<]++~i';
$replacement = function($m) {
    if (filter_var($m[0], FILTER_VALIDATE_URL))
        return '<a href="' . $m[0] . '">' . $m[0] . '</a>';
};
 
$result = preg_replace_callback($pattern, $replacement, $html);

La première partie de la pattern (se terminant par (*FAIL)) a pour but d'éliminer les urls comprises dans des attributs ou déjà encadrées par des balises <a href...>...</a>.

Détails:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
<
(?(?!(a|style|script|title|code)\b)  # si ce n'est pas un balise "a" ouvrante
    [^>]++>                            # alors on continue jusqu'au prochain > inclus
  |                                  # ou alors
    \1\b                               # c'est une balise "a" ouvrante
    (?>                                # et on continue jusqu'à la balise "a" fermante exclue
        [^<]++        
      |
        <(?!/\1>)
    )++
)
(*SKIP)                              # la subpattern ne peut réussir,
                                     # mais les caractères seront "consommés"
(*FAIL)                              # fait échouer la subpattern

Remarque: la première partie peut être améliorée en ajoutant par exemple le support des <![CDATA].....]]> et des commentaires <!--....-->. Quant à la deuxième, on peut également ajouter le support d'autres protocoles: mailto, news, gopher, telnet...