как спарсить

[ivashka]

Я только немного ознакомился с регулярными выражениями, поэтому нуждаюсь в вашей помощи.

Как написать парсер который бы получал все ссылки из данной страници? Желательно только внутренние.

 

[andead]

preg_match_all('/\<a.+?href="(.*?)".*?\>(.+?)\<\/a\>/', $html, $matches);

$matches[1] - ссылки
$matches[2] - текст ссылки

 

[n42]

это даст только ссылки в одинарных кавычках

зачем экранировать < > ?

надо ещё игнорировать капс посредвом i

preg_match_all('/\<a.+?href="(.*?)".*?\>(.+?)\<\/a\>/i', $html, $matches);
preg_match_all('/\<a.+?href=\'(.*?)\'.*?\>(.+?)\<\/a\>/i', $html, $matches);
preg_match_all('/\<a.+?href=([^\s>]*?).*?\>(.+?)\<\/a\>/i', $html, $matches);

третья строчка даст ссылки без кавычек

 

[andead]

это даст только ссылки в одинарных кавычках

нет, кавычки вне скобак

    [1] => Array
        (
            [0] => /faq.php?
            [1] => sendmessage.php
            [2] => /
            [3] => /
            [4] => /showthread.php?t=36569
            [5] =>

зачем экранировать < > ?

патаму что это зарезервированные символы

из шпаргалки по регуляркам:

надо ещё игнорировать капс посредвом i

вот это да, забыл

 

[n42]

href=" - найдёт только ссылки где аттрибуты в двойных кавычках.

<a href="page.html"> - твой код надёт только такую строчку.
<a href='page.html'>
<a href=page.html> моя третья найдёт эту и две предыдущие. но ссылка будет в кавычках, если они есть.

Поэтому проще взять третью очищать кавычки.

if($s[0] == '"') $s = substr($s, 1, -1);
if($s[0] == "'") $s = substr($s, 1, -1);
if($s[strlen($s) -1] == '"') $s = substr($s, 0, -2);
if($s[strlen($s) -1] == "'") $s = substr($s, 0, -2);

 

[Sect0R]

А сложно вместо очищения поставить [':"] ?

 

[ivashka]

Что-то вы меня совсем запутали. Так какой же выход последний? Что нужно писать?

 

[n42]

preg_match_all('/\<a.+?href=([^\s>]*?).*?\>(.+?)\<\/a\>/i', $html, $matches);

этим ищешь

if($s[0] == '"') $s = substr($s, 1, -1);
if($s[0] == "'") $s = substr($s, 1, -1);
if($s[strlen($s) -1] == '"') $s = substr($s, 0, -2);
if($s[strlen($s) -1] == "'") $s = substr($s, 0, -2);

этим чистишь ссылки.

А сложно вместо очищения поставить [':"] ?

это не обосновано усложнит. когда много вопросов неясно как оно будет понято. напиши выражение если ты считаешь что это проше или быстрей.
Но регулярные сложные выражениямогут быть очень рекурентны и медлены.

 

[ivashka]

А как мне теперь различить внутренние ссылки от внешних?
Нужно что бы 2 масива было, в одном внутренние в другом внешние, но это сам напишу, подскажите как их различить на пхп. Заранее благодарен.

 

[n42]

вот так вот

if(strtolower(substr($s, 0, 7)) == "http://"){
// HTTP external
}

if(strtolower(substr($s, 0, 8)) == "https://"){
// HTTPS external
}