HTMLページ内のURLを取得する方法は？

私は汚れたhtmlページからこのURLを取得する必要があります。HTMLページ内のURLを取得する方法は？

......... http://www.imdb.com/title/tt0092699/ ......

明らかURLも

http://www.imdb.co.uk/title/tt0092699/ のhttpことができます：//www.imdb.es/title/tt0092699/ http://www.imdb.com/title/tt0092699 https://www.imdb.com/title/tt0092699/ https://www.imdb.com/title/tt0092699

（.domainを、HTTP/HTTPS、または最後のスラッシュなし）

出典

2012-01-30 sparkle

プロトコルに依存しないURLの問題はありますか？ –

は、この正規表現を使用します。

preg_match("/https?:\/\/www.imdb\..*?\/title\/tt\d+\/?/", $html, $matches);

したいURLを$matches[0]になります。ここで

は、1枚ずつ分解、正規表現の意味です：

/ =>オプションs
:\/\/www.imdb\. =>リテラル://www.imdb.
.*?\/続い
https? =>リテラルhttpはRegex開始します=>は、スラッシュの前に可能な最短の文字列と一致し、スラッシュと一致します。ドメインの端に一致する、どのようなことがある（com、co.uk、es、等...）と、少なくとも一桁続い
title\/ =>リテラルtitle/
tt\d+ =>リテラルtt（以下第一のスラッシュそれは貪欲な試合なので、できるだけ多くの連続した数字に一致します。あなたが
\/? =>オプションの最終/
/ =>最後の正規表現

出典

2012-01-30 12:34:59

私は、正規表現でもう少し選択されることをお勧めします。 'http：//www.imdb.spoofeddnsat.example.com /.*'は良いデータ源ではありません。代わりに、 '/ https？：\/\/www \ .imdb \ .com？（\。[a-z] {2}）？\ /.../'を試してください。 – ghoti

ハハハ。私は常に私の銀行からの電子メールのような電子メール "セキュリティ警告"を見る。 – Graham

これがうまく働くだろうと、それはまた、プロトコルに依存している//で始まるURLのと一致します'スキーム'。

(https?:|//)[^\s"]+

出典

2012-01-31 05:23:54

"//"はURLの有効な開始ではありません。 – Graham

ええ、はい、それは投票の価値がありません。 http://paulirish.com/2010/the-protocol-relative-url/ –

私の良さ！私は今まで知らなかった！ありがとう！投票が変更されました。 :-) – Graham

HTMLページ内のURLを取得する方法は？

答えて

関連する問題