Собирание ссылок со страницы (Open Source)

//

$regex = '/<a +href *= *["\']?([^"\']+)["\']? *>(.+)<\/a>/iU';

preg_match_all($regex, $page, $temp);
$links = array('url' => $temp[1], 'content' => $temp[2]);
return $links;

//

Возвращает массив где в индексе url храняться массив адресов ссылок, в индексе content - массив строк между <a></a> тегами.

Так вот, кто напишет лучше или что доработает.
Open Source топик открываю, посвящённый этой проблеме.

Вот еще один вариант:
---------------
preg_match_all("!<a[^>]+href=\"?'?([^ \"'>]+)\"?'?[^>]*>(.*?)</a>!is",$page,$u);
---------------
в $u[0][..]=вся ссылка
в $u[1][..]=урл ссылки
в $u[2][..]=текст ссылки

Saod прошел дальше, но есть замечание: пробелы могут быть между любыми элементами: a href = url >

Ну тогда делаем так:
----------------
preg_match_all("!<a[^>]+href *= *\"?'?([^ \"'>]+)\"?'?[^>]*>(.*?)</a>!is",$page,$u);
----------------
в $u[0][..]=вся ссылка
в $u[1][..]=урл ссылки
в $u[2][..]=текст ссылки

регулярные выражения для обработки HTML слишком громоздки , продумать все варианты синтаксиса очень непросто. С этой целью были придуманы html parser'ы. Для perl - HTML::Parser, для php - http://codingtheweb.partners.phpclasses.org/browse.html/package/1420.html или http://php-html.sourceforge.net/
позволят вытянуть любые тэги и свойства не задумываясь о структуре и синтаксисе html документа

А разве парсер не на регулярных выражениях работает?
Как вообще можно обрабатывать такой сложный html текст без регулярных выражений.

нет, нормальный парсер не использует регулярные выражения,
для этих целей используются более серьезные лексические анализаторы lex, flex, yacc

begemot писал:

clever писал: А разве парсер не на регулярных выражениях работает? Как вообще можно обрабатывать такой сложный html текст без регулярных выражений. нет, нормальный парсер не использует регулярные выражения, для этих целей используются более серьезные лексические анализаторы lex, flex, yacc

Про такие не слышал.

Ну, HTML::Parser грамотная вещь, но вопрос стоял как просто дернуть все ссылки и не ебать себе мозги.