前言

鏈接也就是超級鏈接，是從一個(gè)元素（文字、圖片、視頻等）鏈接到另一個(gè)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(gè)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。要寫出正確的正則表達(dá)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(dá)這個(gè)服務(wù)器的方式，通常是域名或者IP地址，有時(shí)還會(huì)包含端口號（默認(rèn)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(dá)這個(gè)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(gè)文件夾下的默認(rèn)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(gè)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(dá)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(gè)括號內(nèi)匹配的是協(xié)議部分。

([\w\d\-_]+[\.\w\d\-_]+)第二個(gè)括號內(nèi)匹配的是域名部分。

([\/]?[\w\/\.]+)第三個(gè)括號內(nèi)匹配的是相對路徑。

寫到這個(gè)時(shí)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(shí)候頁面報(bào)錯(cuò)。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(jìn)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(shí)，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(shí)，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。

最新評論