怎么在PHP中利用正則抓取頁面中的網址

這期內容當中小編將會給大家帶來有關怎么在PHP中利用正則抓取頁面中的網址，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

前言

鏈接也就是超級鏈接，是從一個元素（文字、圖片、視頻等）鏈接到另一個元素（文字、圖片、視頻等）。網頁中的鏈接一般有三種，一種是絕對URL超鏈接，也就是一個頁面的完整路徑；另一種是相對URL超鏈接，一般都鏈接到同一網站的其他頁面；還有一種是頁面內的超鏈接，這種一般鏈接到同一頁面內的其他位置。

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），標識了互聯網上的唯一資源。URL的結構包含三部分：協議、服務器名稱、路徑和文件名。

協議是告訴瀏覽器如何處理將要打開文件的標識，最常見的就是 http 協議。本文也只考慮HTTP協議，至于其他的 https、ftp、mailto、telnet協議等，根據需要也可以添加。

服務器名稱是告訴瀏覽器如何到達這個服務器的方式，通常是域名或者IP地址，有時還會包含端口號（默認為80）。FTP協議中，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，指出到達這個文件的路徑和文件本身的名稱。如果沒有具體的文件名，則訪問這個文件夾下的默認文件（可以在服務器端設置）。

那么現在清楚了，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

每個部分可以使用的字符范圍有明確的規范，具體可以參考RFC1738。那么正則表達式就可以寫出來了。

/(http|https):\/\/([\w\d\-_]+[\.\w\d\-_]+)[:\d+]?([\/]?[\w\/\.]+)/i

解釋如下：

(http|https)第一個括號內匹配的是協議部分。

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

([\/]?[\w\/\.]+)第三個括號內匹配的是相對路徑。

寫到這個時候，基本上大部分的網址都能匹配到了，但是對于URL中帶有參數的還不能抓取，這樣有可能造成再次訪問的時候頁面報錯。關于參數RFC1738規范中要求是用？來分割，后面帶上參數，但是現代的RIA應用有可能使用其他奇怪的形式進行分割。

稍微修改一下，這樣就可以將查詢參數部分搜索出來。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，就沒有繼續深化。

/(http|ftp|https):\/\/([\w\d\-_]+[\.\w\d\-_]+)[:\d+]?([\/]?[\w\/\.\?=&;%@#\+,]+)/i

使用括號的好處是，在處理結果時，可以很容易的獲取到協議、域名、相對路徑這些內容，方便后續的處理。

例如使用 preg_match_all() 匹配時，結果數組索引0為全部結果、1為協議、2為域名、3為相對路徑。

上述就是小編為大家分享的怎么在PHP中利用正則抓取頁面中的網址了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。