PHP怎樣用正則抓取頁面中的網(wǎng)址

2020-03-22 20:33:14

字體：大中小

供稿：網(wǎng)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(wǎng)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(wǎng)站的其他頁面；還有一種是頁面內(nèi)的超鏈接，這種一般鏈接到同一頁面內(nèi)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(biāo)識了互聯(lián)網(wǎng)上的唯一資源。URL的結(jié)構(gòu)包含三部分：協(xié)議、服務(wù)器名稱、路徑和文件名。協(xié)議是告訴瀏覽器如何處理將要打開文件的標(biāo)識，最常見的就是 http 協(xié)議。本文也只考慮HTTP協(xié)議，至于其他的 https、ftp、mailto、telnet協(xié)議等，根據(jù)需要也可以添加。服務(wù)器名稱是告訴瀏覽器如何到達這個服務(wù)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(xié)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(wù)器端設(shè)置）。那么現(xiàn)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(guī)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(nèi)匹配的是協(xié)議部分。([/w/d/-_]+[/./w/d/-_]+)第二個括號內(nèi)匹配的是域名部分。([//] [/w///.]+)第三個括號內(nèi)匹配的是相對路徑。寫到這個時候，基本上大部分的網(wǎng)址都能匹配到了，但是對于URL中帶有參數(shù)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(guān)于參數(shù)RFC1738規(guī)范中要求是用？來分割，后面帶上參數(shù)，但是現(xiàn)代的RIA應(yīng)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(shù)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(xù)深化。/(http|ftp|https):////([/w/d/-_]+[/./w/d/-_]+)[:/d+] ([//] [/w///./ %@#/+,]+)/i使用括號的好處是，在處理結(jié)果時，可以很容易的獲取到協(xié)議、域名、相對路徑這些內(nèi)容，方便后續(xù)的處理。例如使用 preg_match_all() 匹配時，結(jié)果數(shù)組索引0為全部結(jié)果、1為協(xié)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(wǎng)址的全部內(nèi)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(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標(biāo)記有誤，請第一時間聯(lián)系我們修改或刪除，多謝。

上一篇：3個PHP多維數(shù)組轉(zhuǎn)為一維數(shù)組的方法實例

下一篇：Zend Framework教程之Zend_Config_Xml用法分析