[Проблема] Парсинг больших страниц регулярным выражением

[D1MA12]

Я получаю несколько страниц через http клиент, потом нахожу в них ссылки на другие страницы по определённому регулярному выражению. В итоге на самой последней странице находятся не все ссылки, а только очень маленькая их часть (до 5 штук максимум, хотя их должно быть до 30).

На самой последней странице мне необходимо найти ссылки только с блока, где есть слово ПЗСО.

Вот прикрепляю свой скрипт.
0_1501525839309_Parser_0.0.5.xml

Я также заметил, что регулярные выражения хорошо работают на страницах размером 23 00 или 50 000 байт, но когда дело касается больших страниц - до 300 000 байт начинаются глюки.

[D1MA12]

Вот наглядный пример. Вот сайт - http://vstup.info/2017/i2017i217.html
Через Get запрос получаю его код.
И пытаюсь регуляркой получить все ссылки из блоков, где есть слово ПЗСО.

Регулярка вот - " >ПЗСО<+.href="./(.).html">.* "

Мне выдаёт только один ответ - "217/i2017i217p416634". Кстати, возможно это важно! Я получаю только каталог и код специально, мне оно не нужно с расширением .html в дальнейшем

Ну а как же например - "217/i2017i217p393297.html"!?

Вот этот тестовый проект по проще:
0_1501527120859_BASPR1.xml

UPD. Даже когда я пытаюсь найти все ссылки на этой странице, то их количество равно всего 3.

Вот этот проект:
0_1501528480390_BASPR1.xml

В первом примере города и названия вузов получаются все без исключения, но специальности почему-то не находятся полностью

[UA]

Без обид, но для начала неплохо бы подучить регулярки.

[Fox]

@D1MA12 У тебя регулярка >ПЗСО<+.*href="\.\/(.*)\.html">.* вконце стоит . означающие любой символ, и * означает от нуля и до последнего любого символа. То есть он находит первое совпадение и собирает весь оставшийся файл в ответ.

[Fox]

@D1MA12 Самая элементарная регулярка >ПЗСО<.*?href="\.\/(.*?)\.html"> спокойно находит 42 совпадения.
Вот тут смотри. Вообще советую испытывать все свои регулярки на сайте https://regex101.com

[D1MA12]

Да, регулярки я осваивал исключительно на BASе и делал всё методом тыка. Но тогда почему

.*href="/2017/(.*)\.html".*

собирает все данные на своей странице, а

>ПЗСО<+.*href="\.\/(.*)\.html">.*

нет?

@Fox Пока писал, вы написали ответ. Спасибо, буду изучать ваш код.

[Fox]

@D1MA12 Вот хорошая шпаргалка.

[DrPrime]

@D1MA12 лучше пользоваться xpath для парсинга html, если данные хорошо организованы

[D1MA12]

@DrPrime Та мне с одним способом добывания данных разобраться бы. А потом можно и разные вариации учить.

Спасибо большое всем за советы, особенно @Fox за предоставленный код и шпаргалку.