从页面抓取所有链接

Question

我想从一个页面抓取所有链接(href)。

这是我的实际代码：

preg_match_all('/href=.([^"\' ]+)/i', $content, $anchor);

但它只获取域和子域(如name.name.ex或name.ex)，但不获取自定义URL(如name.ex/name/name.php )。

有谁能帮忙处理正则表达式吗？

Answer 1

我建议不要为此使用正则表达式。我建议您使用DOM来解析和获取结果。

下面是一个使用DOM和XPath的示例

$html = '<a href="name.ex/name/name.php">text</a>
         <a href="foo.com">foobar</a>';

$doc = new DOMDocument();
$doc->loadHTML($html); 

$xpath = new DOMXPath($doc);

foreach ($xpath->query('//a') as $link) {
   $links[] = $link->getAttribute('href');
}

print_r($links);

请参阅Working demo

Answer 2

使用DOMDocument更容易：

$doc = new DOMDocument();
@$doc->loadHTML($html);

$linkNodes = $doc->getElementsByTagName('a');

foreach($linkNodes as $linkNode) {
    $urls[] = $linkNode->getAttribute('href');
}

print_r($urls);

Answer 3

试试这个正则表达式：

$pattern = "/href="([^\s"]+)/";
preg_match_all($pattern, $content, $matches);

if (count($matches[1]) {
  foreach($matches[1] as $match)
    echo $match . "<br />";
}