一つの行にURLが複数ある場合の、URL抽出方法は？

htmファイルの中から、リンクされたURL情報を抽出するのが今回の目的です。
ご相談したいのは、URL情報が一つの行中に複数ある場合の抽出方法です。

ちなみに「一つの行にある<a href>リンクが一つだけ」の場合ですと、正規表現
<a +href=('|\").*('|\") *>
でURLデータを正しく抽出できるところまで来ています。
ですが一つの行にある<a href>リンクが２つ以上あった場合は、最長一致のルールに従って、うまく抽出できません。


具体的に申し上げると、
ケース１：<a href="www.hoge.htm">ほげ</a>
<a href="www.hoge.htm">
が抽出できる。

ケース２：<a href="www.hoge.htm">ほげ</a><a href="www.hogehoge.htm">ほげほげ</a>
<a href="www.hoge.htm">ほげ</a><a href="www.hogehoge.htm">
が抽出される。（本当は２つを別々に取り出したい）

No.1 ベストアンサー 回答者： saintandre 回答日時： 2006/03/31 16:50

'' もしくは "" の間の条件を .* から [^'\"]* に変更して ' か " があった場合を除外すればできます。

ちなみに [^'\"] は「 ' か " 以外の文字列」です。

<a +href=('|\")[^'\"]*('|\") *>

この回答へのお礼

早速のアドバイスまことに有り難うございます。
お陰様で上手くいきました！

お礼日時：2006/03/31 17:46