PHP抓取網(wǎng)頁的所有超鏈接的代碼問題

2020-03-24 18:37:38

字體：大中小

供稿：網(wǎng)友

通用HTML標(biāo)準(zhǔn)超鏈接參數(shù)取得html' target='_blank'>正則表達(dá)式測(cè)試

因?yàn)樽罱鲆粋€(gè)類似專業(yè)搜索引擎的東西，需要抓取網(wǎng)頁的所有超鏈接。
大家?guī)兔y(cè)試一下子，下面的代碼是否可以針對(duì)所有的標(biāo)準(zhǔn)超鏈接。

測(cè)試代碼如下：
?php
//--------------------------------------------------------------------------
//Filename:Noname1.php
//Description:通用鏈接參數(shù)獲取正則表達(dá)式測(cè)試
//Requirement:PHP4(http://www.php.net)
//Copyright(C),HonestQiao,2005,AllRightsReserved.
//Author:HonestQiao(honestqiao@hotmail.com)
//參數(shù)說明:
//$strSource:包含標(biāo)準(zhǔn)鏈接的HTML網(wǎng)頁
//$strResult:處理的結(jié)果
//附加說明:
//標(biāo)準(zhǔn)鏈接，使用 a /a 形勢(shì)包含的鏈接
//--------------------------------------------------------------------------
$strSource= HTML
ahref=1.htm t1 /a
ahref='2.htm' t2 /a
ahref= 3.htm t3 /a
ahref=4.htm >HTML;
preg_match_all('/ a.*?(?:|//t|//r|//n)?href=[/' ]?(.+?)[/' ]?(?:(?:|//t|//r|//n)+.*?)? (.+?) //a.*? /sim',$strSource,$strResult,PREG_PATTERN_ORDER);
for($i=0;$i count($strResult[1]);$i++)
{
printf( %dhref=(%s)title=(%s)/n ,$i,$strResult[1][$i],$strResult[2][$i]);
}
?

如果您的測(cè)試數(shù)據(jù)，符合標(biāo)準(zhǔn)鏈接，但是此處沒有被處理出來，請(qǐng)告訴我測(cè)試數(shù)據(jù)，以及你的測(cè)試環(huán)境。

謝謝。

也歡迎提供任何怪異的超鏈接，不過使用javascript來打開鏈接的除外。

[本帖最后由HonestQiao于2005-11-621:29編輯]

ydlhero 回復(fù)于：2005-11-06 17:44:26

版大很多我看不懂可否提供正則表達(dá)方法的一些資料
我知道手冊(cè)有點(diǎn)但那點(diǎn)點(diǎn)遠(yuǎn)遠(yuǎn)不夠^_^

HonestQiao 回復(fù)于：2005-11-06 18:37:41

http://www.pcre.org/

如果要深究，可以查看這里。

太深?yuàn)W而其表達(dá)也太過于簡略，無法用通俗的語言去表達(dá)和解釋。

cloudchen 回復(fù)于：2005-11-06 20:27:41

匹配總是不能做到適應(yīng)任何情況的，只要能適應(yīng)一些常見的標(biāo)記方法就OK了，否則不是一個(gè)正則能搞定的，瀏覽器在分析html標(biāo)記時(shí)極其錯(cuò)誤的寫法也就忽略

這個(gè)有個(gè)問題asdfhref= 1.htm 這也能獲取到不太合適把，這樣就不成獲取屬性了，得改改

HonestQiao 回復(fù)于：2005-11-06 21:18:40

引用：原帖由cloudchen于2005-11-620:27發(fā)表
匹配總是不能做到適應(yīng)任何情況的，只要能適應(yīng)一些常見的標(biāo)記方法就OK了，否則不是一個(gè)正則能搞定的，瀏覽器在分析html標(biāo)記時(shí)極其錯(cuò)誤的寫法也就忽略

這個(gè)有個(gè)問題asdfhref= 1.htm 這也能獲取到不太合...

等一下子我在修改，嘿嘿。

[本帖最后由HonestQiao于2005-11-621:24編輯]

HonestQiao 回復(fù)于：2005-11-06 21:21:36

已經(jīng)修正了，作為：

preg_match_all('/ a.*?(?:|//t|//r|//n)?href=[/' ]?(.+?)[/' ]?(?:(?:|//t|//r|//n)+.*?)? (.+?) //a.*? /sim',$strSource,$strResult,PREG_PATTERN_ORDER);

[本帖最后由HonestQiao于2005-11-621:29編輯]

litie123 回復(fù)于：2005-11-06 21:57:02

ahref= so.php?id gfgfd 這個(gè)有問題 /a

笨狗回復(fù)于：2005-11-07 08:23:00

如果不是一定要用php的話
偶推薦用perl的HTML::TokeParser
很好用D

HonestQiao 回復(fù)于：2005-11-07 08:44:23

引用：原帖由笨狗于2005-11-708:23發(fā)表
如果不是一定要用php的話
偶推薦用perl的HTML::TokeParser
很好用D

用perl很簡單，作這個(gè)。

不果現(xiàn)在用php.

HonestQiao 回復(fù)于：2005-11-07 08:45:31

引用：原帖由litie123于2005-11-621:57發(fā)表
ahref= so.php?id gfgfd 這個(gè)有問題 /a

啊，這也夠BT的啊。

langyufeng 回復(fù)于：2005-12-01 16:54:14

引用：原帖由HonestQiao于2005-11-708:45發(fā)表

啊，這也夠BT的啊。

唉
先replace掉就好拉

Haohappy 回復(fù)于：2005-12-01 21:43:44

供參考呵呵。

preg_match_all( ' /s*a/s.*?href/s*=/s*#find ahref=
([/ /'])?#findsingleordoublequote
(?(1)(.*?)//1|([^/s/ ]+))#ifquotefound,matchuptonextmatching
#quote,otherwisematchuptonextspace
'isx ,$document,$links);

giant35 回復(fù)于：2006-07-08 19:14:04

a.*?/s*href/s*=[/' ]?(.+?)[/' ].*? (.+?) /ahtml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(qǐng)第一時(shí)間聯(lián)系我們修改或刪除，多謝。

上一篇：PHP教程：smarty學(xué)習(xí)指南

下一篇：PHP實(shí)例說明編寫PHP代碼的5個(gè)好習(xí)慣