phpを使ってウェブサイトから特定のタイプのリンクを抽出するには？

Question

は私が

http://www.example.com/pages/12345667/some-texts-available-here

私は上記の形式のようにすべてのリンクを抽出したい。..

リンクは次のようなものでPHPを使用してWebページからのリンクの特定のタイプを抽出しようとしています。

maindomain.com/pages/somenumbers/sometexts

これまでのところ私は、Webページからのすべてのリンクを抽出することができますが、上記のフィルタが起きていません。どのように私はこれを達成することができますか？

提案がありますか？

 

<?php 

$html = file_get_contents('http://www.example.com'); 
//Create a new DOM document 
$dom = new DOMDocument; 

@$dom->loadHTML($html); 

$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>'; 
} 

?> 

Answer 1

これはわずかな推測ですが、私は間違ってそれを得た場合、あなたはまだそれを行う方法を見ることができます。

foreach ($links as $link){ 
    //Extract and show the "href" attribute. 
    If(preg_match("/(?:http.*)maindomain\.com\/pages\/\d+\/.*/",$link->getAttribute('href')){ 
     echo $link->nodeValue; 
     echo $link->getAttribute('href'), '<br>'; 
    } 
} 

Answer 2

あなたはDOMXPathを使うことの最大を使用してXPathクエリで後にそれを使用するDOMXPath::registerPhpFunctionsで機能を登録することができます：

function checkURL($url) { 
    $parts = parse_url($url); 
    unset($parts['scheme']); 

    if (count($parts) == 2 && 
     isset($parts['host']) && 
     isset($parts['path']) && 
     preg_match('~^/pages/[0-9]+/[^/]+$~', $parts['path'])) { 
     return true; 
    } 
    return false; 
} 

libxml_use_internal_errors(true); 

$dom = new DOMDocument; 
$dom->loadHTMLFile($filename); 

$xp = new DOMXPath($dom); 

$xp->registerNamespace("php", "http://php.net/xpath"); 
$xp->registerPhpFunctions('checkURL'); 

$links = $xp->query("//a[php:functionString('checkURL', @href)]"); 

foreach ($links as $link) { 
    echo $link->getAttribute('href'), PHP_EOL; 
} 

あなたが欲しいだけのリンクを抽出し、このように。

Answer 3

あなたはすでにパーサーを使用しているので、前進してDOM上でXPathクエリを使用することができます。 XPathクエリは、同様にstarts-with()のような機能を提供しますので、これはうまくいくかもしれない：

$xpath = new DOMXpath($dom); 
$links = $xpath->query("//a[starts-with(@href, 'maindomain.com')]"); 

ループ彼らの上に後から：

foreach ($links as $link) { 
    // do sth. with it here 
    // after all, it is a DOMElement 
}