PHP抓取网页的所有超链接的代码问题

当前位置：网学 > 编程文档 > PHP > 正文

PHP抓取网页的所有超链接的代码问题

作者：用户投稿来源：网络发布时间： 12/12/10

通用HTML标准超链接参数取得正则表达式测试

因为最近要做一个类似专业搜索引擎的东西，需要抓取网页的所有超链接。
大家帮忙测试一下子，下面的代码是否可以针对所有的标准超链接。

测试代码如下：

<?PHP 
// --------------------------------------------------------------------------
// File name   : Noname1.php
// Description : 通用链接参数获取正则表达式测试
// Requirement : PHP4 (http://www.php.net)
// Copyright(C), HonestQiao, 2005, All Rights Reserved.
// Author: HonestQiao (honestqiao@hotmail.com)
// 参数说明:
// $strSource: 包含标准链接的HTML网页
// $strResult: 处理的结果
// 附加说明:
// 标准链接，使用<a></a>形势包含的链接
// --------------------------------------------------------------------------
$strSource = <<<HTML
<a href=1.htm>t1</a>
<a href=''2.htm''>t2</a>
<a href="3.htm">t3</a>
<a href=4.htm class=link>t4</a>
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("%d href=(%s) title=(%s) \n", $i, $strResult[1][$i], $strResult[2][$i]);
} 

?>

如果您的测试数据，符合标准链接，但是此处没有被处理出来，请告诉我测试数据，以及你的测试环境。

谢谢。

也欢迎提供任何怪异的超链接，不过使用JavaScript来打开链接的除外。

[ 本帖最后由 HonestQiao 于 2005-11-6 21:29 编辑 ]

ydlhero 回复于：2005-11-06 17:44:26

版大很多我看不懂可否提供正则表达方法的一些资料
我知道手册有点但那点点远远不够^_^

HonestQiao 回复于：2005-11-06 18:37:41

http://www.pcre.org/

如果要深究，可以查看这里。

太深奥而其表达也太过于简略，无法用通俗的语言去表达和解释。

cloudchen 回复于：2005-11-06 20:27:41

匹配总是不能做到适应任何情况的，只要能适应一些常见的标记方法就OK了，否则不是一个正则能搞定的，浏览器在分析html标记时极其错误的写法也就忽略

这个有个问题asdfhref="1.htm"这也能获取到不太合适把，这样就不成获取属性了，得改改

HonestQiao 回复于：2005-11-06 21:18:40

引用：原帖由 cloudchen 于 2005-11-6 20:27 发表
匹配总是不能做到适应任何情况的，只要能适应一些常见的标记方法就OK了，否则不是一个正则能搞定的，浏览器在分析html标记时极其错误的写法也就忽略

这个有个问题asdfhref="1.htm"这也能获取到不太合 ...

等一下子我在修改，嘿嘿。

[ 本帖最后由 HonestQiao 于 2005-11-6 21:24 编辑 ]

HonestQiao 回复于：2005-11-06 21:21:36

已经修正了，作为：


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 2005-11-6 21:29 编辑 ]

litie123 回复于：2005-11-06 21:57:02

<a href="so.php?id>gfgfd">这个有问题</a>

笨狗回复于：2005-11-07 08:23:00

如果不是一定要用php的话
偶推荐用Perl的HTML::TokeParser
很好用D

HonestQiao 回复于：2005-11-07 08:44:23

引用：原帖由笨狗于 2005-11-7 08:23 发表
如果不是一定要用php的话
偶推荐用perl的HTML::TokeParser
很好用D

用perl很简单，作这个。

不果现在用php.

HonestQiao 回复于：2005-11-07 08:45:31

引用：原帖由 litie123 于 2005-11-6 21:57 发表
<a href="so.php?id>gfgfd">这个有问题</a>

啊，这也够BT的啊。

langyufeng 回复于：2005-12-01 16:54:14

引用：原帖由 HonestQiao 于 2005-11-7 08:45 发表

啊，这也够BT的啊。

唉
先replace掉"就好拉

Haohappy 回复于：2005-12-01 21:43:44

供参考呵呵。

preg_match_all("''<\s*a\s.*?href\s*=\s*     # find <a href=
                        ([\"\''])?                                 # find single or double quote
                        (?(1) (.*?)\\1 | ([^\s\>]+))   # if quote found, match up to next matching
                                                                    # quote, otherwise match up to next space
                        ''isx", $document, $links);

giant35 回复于：2006-07-08 19:14:04

<a.*?\s*href\s*=[\''"]?(.+?)[\''"].*?>(.+?)</a

(责任编辑：admin)

点击进入论坛和大家一起交流设计,分享设计素材,结交设计朋友

上一篇资讯： PHP教程:简单认识smarty3

下一篇资讯：基于 PHP5 面向对象特性的 PECL 扩展 Perl 与 PDO 编程