我正在使用cURL来提取远程站点的内容。我需要检查所有“href =”属性并确定它们是相对路径还是绝对路径,然后获取链接的值并将其路径转换为href =“http://www.website.com/index.php ?URL = [ABSOLUTE_PATH]“
非常感谢任何帮助。
答案 0 :(得分:1)
正则表达式*和HTML parse_url()
的组合应该会有所帮助:
// find all links in a page used within href="" or href='' syntax
$links = array();
preg_match_all('/href=(?:(?:"([^"]+)")|(?:\'([^\']+)\'))/i', $page_contents, $links);
// iterate through each array and check if it's "absolute"
$urls = array();
foreach ($links as $link) {
$path = $link;
if ((substr($link, 0, 7) == 'http://') || (substr($link, 0, 8) == 'https://')) {
// the current link is an "absolute" URL - parse it to get just the path
$parsed = parse_url($link);
$path = $parsed['path'];
}
$urls[] = 'http://www.website.com/index.php?url=' . $path;
}
要确定网址是否为绝对网址,我只需检查网址的开头是http://
还是https://
;如果您的网址包含其他媒介,例如ftp://
或tel:
,您可能还需要处理这些媒体。
此解决方案确实使用正则表达式来解析HTML,这通常是不受欢迎的。为了规避,您可以切换到使用[DOMDocument][2]
,但如果没有任何问题则无需额外的代码。
答案 1 :(得分:0)
如果我理解正确的问题,这是一个可能的解决方案:
$prefix = 'http://www.website.com/index.php?url=';
$regex = '~(<a.*?href\s*=\s*")(.*?)(".*?>)~is';
$html = file_get_contents('http://cnn.com');
$html = preg_replace_callback($regex, function($input) use ($prefix) {
$parsed = parse_url($input[2]);
if (is_array($parsed) && sizeof($parsed) == 1 && isset($parsed['path'])) {
return $input[1] . $prefix . $parsed['path'] . $input[3];
}
}, $html);
echo $html;