buscar links sin http ni www ni # al principio

[mayid]

Estoy queriendo escribir una expresion regular para filtrar links a paginas exteriores. Los resultados deberían ser todos los links internos, que no empiezen con #, ni contengan http, www o .com

La primera dificultad es negar el primer caracter. Si pongo esto, me elije un caracter que no sea >, pero que puede ser por ejemplo "h".

[^#]

Tengo escrito un look forward para evitar links que contengan http:

href="((?:(?!http).)*)"

Pero no encuentro manera de negar dos posibilidades a la vez. Hay algo escrito en estas paginas, pero no pude aplicarlo:
http://www.ibm.com/developerworks/op...os-php-regex2/ (Listing 4. Look-ahead example)
http://www.perlmonks.org/?node_id=518444 (Nesting)

Tendría que ser esto:

/<a href="((?: (?!http) | (?!www) .)*)">(.*)<\/a>/is

o esto:

/<a href="(?= (?: (?!http)) | (?:(?!www) .)*)">(.*)<\/a>/is

Probe a mi manera, así, pero tampoco va: ((?:(?![http|www]).)*)

Alguna ayuda please?

[mayid]

Sigo sin resolverlo. Creo que las expresiones regulares para esto son difíciles, así que opté por combinarlas con otros métodos. Pero me trabé.

Lo que necesito es buscar links en una pagina. Los links puede que tengan un subfijo _de o _es o lo que fuere. O también puede que no lo tengan. Yo lo que necesito, en todo caso, es reemplazar ese subfijo por otro:

Código PHP:

   
$subfix = $_POST['subfix'];
$pageID = $_POST['pageID'];
 
$sections = mysql_query("SELECT sections FROM manual_contents WHERE page_id = '$pageID'") or die("Error selecting page".mysql_error());
            
while ($section = mysql_fetch_array($sections)){
 
// anchors subfix
$hrefName = '/<a href="([^"]*)">(.*?)<\/a>/is'; // http|www|com
 
            preg_match_all($hrefName, $section[0], $matches, PREG_SET_ORDER);
                        
            for($i=0;$i<count($matches);$i++){ 
                                    
                if (isset($matches[$i][1]) and trim($matches[$i][1]) != "") {  
                    
                    $link = $matches[$i][1];
                    if(trim(substr($link, 0, 1)) != "#")  {}
                    elseif (strpos($link,"http") !== false) {}
                    elseif (strpos($link,"www") !== false) {}
                    elseif (strpos($link,".com") !== false) {}
                    else {
                        str_replace($subfix.".html", "_".$_SESSION['lang'].".html", $link);
                    }
                }        
                }; 
   

En este codigo, primero obtengo los links. Luego compruebo:

- que el primer caracter no sea #
- que la palabra no contenga "http"
- que la palabra no contenga "www"
- que la palabra no contenga ".com"

Luego reemplazo los links que pasaron el filtro. Pero los resultados se pierden, porque no estoy modificando el texto original.... :(

[mayid]

Finalmente lo solucioné, en gran parte, así:

Código PHP:

  // anchors subfix
$hrefName = '/<a href=([^>]*)>(.*?)<\/a>/is'; // http|www|com
 
            preg_match_all($hrefName, $contents, $matches, PREG_SET_ORDER);
                        
            for($i=0;$i<count($matches);$i++){ 
                                    
                if (isset($matches[$i][1]) and trim($matches[$i][1]) != "") {  
                    
                    $link = str_replace('"','',trim($matches[$i][1]));
                    $link = str_replace("'",'',trim($link));
                        
                    if(trim(substr($link, 0, 1)) == "#")  {}
                    elseif (strpos($link,"http") !== false) {}
                    elseif (strpos($link,"www") !== false) {}
                    elseif (strpos($link,".com") !== false) {}
                    else {
                        
                        $replacement = str_replace($Originalsubfix.".html", $destSuffix.".html", $link);
                        $contents = str_replace($link, $replacement, $contents);    
                        
 
                    }
                }        
                }; 
   

Aunque hay un problema. Con la selección obtengo no solo los href sino cualquier otro atributo que tenga la etiqueta <a>

Si usara este otro selector, dejando las comillas afuera, también habría un problema:

$hrefName = '/<a href="([^>]*)">(.*?)<\/a>/is';

- por un lado, las comillas simples no se detectarían.
- por otro lado, en las paginas que estoy procesando (muchas) hay links que tienen salto de renglon desdpues del signo =

De cualquier manera, la expresión tendría que funcionar porque hay un modificador /s, pero no funciona.

[mayid]

Ok. Lo tengo solucionado:

'/<a href=[\n|\r]*[\"|\']([^>]*)[\"|\']>(.*?)<\/a>/is'

Y luego todo el resto (la iteración).

[Hidek1]

xDDDDDD
a esto es lo que se llama .. autoservicio

jajaja
suerte!