web-dev-qa-db-ja.com

.htmlページからリンクとタイトルを抽出する方法は？

私のウェブサイトでは、新しい機能を追加したいと思います。

ユーザーがブックマークバックアップファイルをアップロードできるようにしたい（可能な場合は任意のブラウザーから）ので、プロファイルにアップロードできます。すべて手動で挿入する必要はありません...

私がこれを行うのに欠けている唯一の部分は、アップロードされたファイルからタイトルとURLを抽出する部分です。

検索オプションを使用し、（ 生のHTMLファイルからデータを抽出する方法？ ）これは私の最も関連する質問であり、それについては語りません。

Jqueryまたはphpを使用しているかどうかは本当に気にしません

どうもありがとうございました。

phphtmlstringhyperlinkweb-crawler
27
Toni Michel Caubet

皆さん、ありがとうございます。

最終コード：

$html = file_get_contents('bookmarks.html');
//Create a new DOM document
$dom = new DOMDocument;

//Parse the HTML. The @ is used to suppress any parsing errors
//that will be thrown if the $html string isn't valid XHTML.
@$dom->loadHTML($html);

//Get all links. You could also use any other tag name here,
//like 'img' or 'table', to extract other tags.
$links = $dom->getElementsByTagName('a');

//Iterate over the extracted links and display their URLs
foreach ($links as $link){
    //Extract and show the "href" attribute.
    echo $link->nodeValue;
    echo $link->getAttribute('href'), '<br>';
}

これにより、。htmlファイル内のすべてのリンクに割り当てられたanchorテキストとhrefが表示されます。

繰り返しますが、どうもありがとう。

58
Toni Michel Caubet

これでおそらく十分です：

$dom = new DOMDocument;
$dom->loadHTML($html);
foreach ($dom->getElementsByTagName('a') as $node)
{
  echo $node->nodeValue.': '.$node->getAttribute("href")."\n";
}
34
Matthew

格納されたリンクがhtmlファイル内にあると仮定すると、おそらく PHP Simple HTML DOM Parser などのhtmlパーサーを使用するのが最善の解決策です。 （他のオプションは、基本的な文字列検索または正規表現を使用して検索することです。おそらくnever正規表現を使用してhtmlを解析する必要があります）。

パーサーを使用してhtmlファイルを読み取った後、その関数を使用してaタグを見つけます。

チュートリアルから：

// Find all links
foreach($html->find('a') as $element)
       echo $element->href . '<br>';
5
Simon Groenewolt

これは例であり、あなたの場合にこれを使用できます：

$content = file_get_contents('bookmarks.html');

これを実行します：

<?php

$content = '<html>

<title>Random Website I am Crawling</title>

<body>

Click <a href="http://clicklink.com">here</a> for foobar

Another site is http://foobar.com

</body>

</html>';

$regex = "((https?|ftp)\:\/\/)?"; // SCHEME
$regex .= "([a-z0-9+!*(),;?&=\$_.-]+(\:[a-z0-9+!*(),;?&=\$_.-]+)?@)?"; // User and Pass
$regex .= "([a-z0-9-.]*)\.([a-z]{2,4})"; // Host or IP
$regex .= "(\:[0-9]{2,5})?"; // Port
$regex .= "(\/([a-z0-9+\$_-]\.?)+)*\/?"; // Path
$regex .= "(\?[a-z+&\$_.-][a-z0-9;:@&%=+\/\$_.-]*)?"; // GET Query
$regex .= "(#[a-z_.-][a-z0-9+\$_.-]*)?"; // Anchor


$matches = array(); //create array
$pattern = "/$regex/";

preg_match_all($pattern, $content, $matches); 

print_r(array_values(array_unique($matches[0])));
echo "<br><br>";
echo implode("<br>", array_values(array_unique($matches[0])));

出力：

Array
(
    [0] => http://clicklink.com
    [1] => http://foobar.com
)

http://clicklink.com

http://foobar.com

4
Adrian Cid Almaguer
$html = file_get_contents('your file path');

$dom = new DOMDocument;

@$dom->loadHTML($html);

$styles = $dom->getElementsByTagName('link');

$links = $dom->getElementsByTagName('a');

$scripts = $dom->getElementsByTagName('script');

foreach($styles as $style)
{

    if($style->getAttribute('href')!="#")

    {
        echo $style->getAttribute('href');
        echo'<br>';
    }
}

foreach ($links as $link){

    if($link->getAttribute('href')!="#")
    {
        echo $link->getAttribute('href');
        echo'<br>';
    }
}

foreach($scripts as $script)
{

        echo $script->getAttribute('src');
        echo'<br>';

}
1
Raghavendra