[RegExp] Traitement d'un texte - Trouver les urls

Bonjour,

Je suis assez mauvais en Regexp du coup, j'en ai bricolé une qui marche que moyennement.
J'ai un texte avec des urls. J'aimerais récupérer l'ensemble des URLs qui commence par Location: (et rien d'autre).
Le problème avec mon script c'est que je récupère aussi l'url qui commence avec un préfixe tel que X-XRDS-Location et ça je ne veux pas. C'est très gênant, si vous pouviez m'aider à l'exclure ça serait top.

Code:

---

1 2 3 4 5 6 7 8

$data = "Location: https://ww.google.fr Location: https://www.yahoo.fr/news/ Location: https://www.boncoin.fr/annonces/pages.php?_utm=[data] Location: https://www.netflix.fr Toto: https://www.msn.fr X-XRDS-Location: https://wwww.test.com"; preg_match_all('#Location: [^\s()<>]+(?:\([\w\d]+\)|([^[:punct:]\s]|/))#', $data, $match); var_dump($match[0]);

---

Résultat:

array(5) {
  [0]=> string(30) "Location: https://ww.google.fr"
  [1]=> string(36) "Location: https://www.yahoo.fr/news/"
  [2]=> string(62) "Location: https://www.boncoin.fr/annonces/pages.php?_utm=[data"
  [3]=> string(32) "Location: https://www.netflix.fr"
  [4]=> string(31) "Location: https://wwww.test.com"
}

Après en moins bloquant, j'ai 2 questions bonus.
- pour l'exemple https://www.boncoin.fr/annonces/pages.php?_utm=[data] je récupère que https://www.boncoin.fr/annonces/pages.php?_utm=[data. Le dernier caractère est tronqué, je ne sais pas trop pourquoi. Si vous avez une idée..
- Dans $match le récupère l'ensemble des urls préfixés de Location:. En soit j'ai pas besoin de Location:, je le tronque manuelle ensuite par un substring mais je pense qu'en regexp, il est possible d'exclure le mot clef de détection. Enfin c'est que je pense :)

vous y étiez presque, il suffit de rajouter un "^" devant "Location" pour indiquer que cela doit être le début de la ligne :
https://regex101.com/r/JjGb7E/1

Merci pour ton site. Je ne connaissais pas.
Par contre, en rajoutant le ^. Ca ne fonctionne pas contraire à ce qu'indique le site.
Ca m'affiche que la premiere url que la premiere ligne :(

ah oui il faut aussi ajouter "...#gm" à la fin. l'utilité des ces modificateurs est expliquée dans le lien de mon 1er message.

Bonjour,

Principe :

• une seule URL par ligne, plusieurs lignes (-> devra être multiligne)
• "Location" en début de ligne (ou "location" ou "LOCATION" ou... -> devra être insensible à la casse)
• suivi de ":" (avec éventuellement un espace avant et/ou après)
• rien d'autre sur la ligne après chaque URL (sauf, éventuellement, des espaces)

Code:

---

1 2 3 4 5 6 7 8 9

<?php $data = "Location: https://ww.google.fr Location : https://www.yahoo.fr/news/ location: https://www.boncoin.fr/annonces/pages.php?_utm=[data] LOCATION:https://www.netflix.fr Toto: https://www.msn.fr X-XRDS-Location: https://wwww.test.com Location : http://www.yahoo.fr/ ";

---

Solution 1 :

Code:

---

1 2 3 4 5 6

<?php $regex = '#^Location\s?:\s?(http.*)$#mi'; preg_match_all($regex, $data, $match); // on ne récupère que les URL -> $match[1] $urls = array_map('trim', $match[1]); // supprime les espaces éventuels en fin de ligne var_dump( $urls );

---

• m : multiligne
• i : insensible à la casse
• (g est inconnu en PHP)

Solution 2 :

Code:

---

1 2 3 4 5 6

<?php $regex = '#^Location\s?:\s?(http[^\s\t\r\n]*)#mi'; preg_match_all($regex, $data, $match); // on ne récupère que les URL -> $match[1] $urls = $match[1]; var_dump( $urls );

---

• [^\s\t\r\n]* : tout sauf espace, tabulation, passage à la ligne
• à noter : pas de $ ici
• on ne récupère pas d'espaces (pas besoin de les supprimer en PHP)

Donne :

Code:

---

1 2 3 4 5 6

array (size=5) 0 => string 'https://ww.google.fr' (length=20) 1 => string 'https://www.yahoo.fr/news/' (length=26) 2 => string 'https://www.boncoin.fr/annonces/pages.php?_utm=[data]' (length=53) 3 => string 'https://www.netflix.fr' (length=22) 4 => string 'http://www.yahoo.fr/' (length=20)

---

Je pars du principe que la chaîne est générée automatiquement, donc pas de variation de casse, ni d'espaces en moins ou en plus où que ce soit, et "Location: " est systématiquement suivit d'une URL (donc pas besoin de la décrire). Par contre, la séquence de nouvelle ligne est indéterminée (soit CRLF, soit LF, ou autre). Donc:

Code:

---

preg_match_all('~(*ANY) ^ \QLocation: \E \K .+ ~xm', $data, $matches);

---

ou bien

Code:

---

preg_match_all('~ ^ \QLocation: \E \K .* \S ~xm', $data, $matches);

---

• (*ANY) : n'importe quelle séquence de nouvelle ligne est possible, donc le . ne pourra pas les matcher
• \Q...\E délimite une chaîne ou les caractères spéciaux sont échappés et notamment les espaces.
• \K définie l'endroit de la correspondance à partir duquel le résultat sera renvoyé.
• \S un caractère qui n'est pas un espace (horizontal ou vertical).
• modificateur m: ^ matche le début de ligne (et $ la fin de ligne).
• modificateur x: les espaces et les commentaires sont ignorés dans la pattern.