PHP怎樣用正則抓取頁面中的網址

2020-03-22 20:33:14

字體：大中小

來源：轉載

供稿：網友

前言鏈接也就是超級鏈接，是從一個元素（文字、圖片、視頻等）鏈接到另一個元素（文字、圖片、視頻等）。網頁中的鏈接一般有三種，一種是絕對URL超鏈接，也就是一個頁面的完整路徑；另一種是相對URL超鏈接，一般都鏈接到同一網站的其他頁面；還有一種是頁面內的超鏈接，這種一般鏈接到同一頁面內的其他位置。搞清楚了鏈接的種類，就知道要抓鏈接，主要還是絕對URL超鏈接和相對URL超鏈接。要寫出正確的html' target='_blank'>正則表達式，就必須要了解我們查找的對象的模式。先說絕對鏈接，也叫作URL（Uniform Resource Locator），標識了互聯網上的唯一資源。URL的結構包含三部分：協議、服務器名稱、路徑和文件名。協議是告訴瀏覽器如何處理將要打開文件的標識，最常見的就是 http 協議。本文也只考慮HTTP協議，至于其他的 https、ftp、mailto、telnet協議等，根據需要也可以添加。服務器名稱是告訴瀏覽器如何到達這個服務器的方式，通常是域名或者IP地址，有時還會包含端口號（默認為80）。FTP協議中，也可以包含用戶名和密碼，本文就不考慮了。路徑和文件名，一般以 / 分割，指出到達這個文件的路徑和文件本身的名稱。如果沒有具體的文件名，則訪問這個文件夾下的默認文件（可以在服務器端設置）。那么現在清楚了，要抓取的絕對鏈接的典型形式可以概括為http://www.xxx.com/xxx/yyy/zzz.html每個部分可以使用的字符范圍有明確的規范，具體可以參考RFC1738。那么正則表達式就可以寫出來了。/(http|https):////([/w/d/-_]+[/./w/d/-_]+)[:/d+] ([//] [/w///.]+)/i解釋如下：(http|https)第一個括號內匹配的是協議部分。([/w/d/-_]+[/./w/d/-_]+)第二個括號內匹配的是域名部分。([//] [/w///.]+)第三個括號內匹配的是相對路徑。寫到這個時候，基本上大部分的網址都能匹配到了，但是對于URL中帶有參數的還不能抓取，這樣有可能造成再次訪問的時候頁面報錯。關于參數RFC1738規范中要求是用？來分割，后面帶上參數，但是現代的RIA應用有可能使用其他奇怪的形式進行分割。稍微修改一下，這樣就可以將查詢參數部分搜索出來。這里仍然沒有涵蓋全部的情況，例如URL中有中文、有空格及其他特殊字符的情況，但是基本上能夠滿足我的需求了，就沒有繼續深化。/(http|ftp|https):////([/w/d/-_]+[/./w/d/-_]+)[:/d+] ([//] [/w///./ %@#/+,]+)/i使用括號的好處是，在處理結果時，可以很容易的獲取到協議、域名、相對路徑這些內容，方便后續的處理。例如使用 preg_match_all() 匹配時，結果數組索引0為全部結果、1為協議、2為域名、3為相對路徑。以上就是使用PHP的正則抓取頁面中的網址的全部內容，希望對大家在PHP使用中有所幫助。PHP教程

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。

上一篇：3個PHP多維數組轉為一維數組的方法實例

下一篇：Zend Framework教程之Zend_Config_Xml用法分析