php: Links extrahieren und umschreiben

Beitrag von **Fox Mulder** » 21.12.2004, 13:08

Hallo,

ich möchte mit PHP in einem HTML Dokument alle Links finden und umschreiben.

Link Struktur im HTML Dokument:
<a href="dateiname?a=1&b=2&c=3">Linktext</a>

Nach dem Umschreiben solle die Links so o.ä. aussehen:
<a href="a1-b2-c3-Linktext.html">Linktext</a>

Die Anzahl der Parameter ist variabel.

Ich habe mit preg_match und Reg Expressions probiert die Links im HTML Dokument zu finden,
komme da aber nicht recht weiter.

Kennt jemand eine gute Ressource mit Beispielen in dieser Art?

Gruss

von **Anzeige von ABAKUS** »

Beitrag von **bull** » 02.02.2005, 23:49

*bump

Brauche gerade ebenfalls einen Linktextextraktor und scheitere.

Beitrag von **derHund** » 03.02.2005, 07:38

hmm,

hier https://pcre.nophia.de/evaluate/index.php findest du ein tool, daß dir eventuell ein wenig hilft, auch wenn es atm nicht viel mehr macht, als dir das debuggen abzunehmen. falls du dich mit regexp auskennst.

hier https://regexp-evaluator.de/tutorial.html findest du ein tutorial zum thema regexp, wenn du noch ein wenig wartest, hat der autor es geschafft, zu dem thema link-extraktion ein wenig zu schreiben.

im großen und ganzen brauchst du nur preg_match_all und den modifier U ... und den richtigen regexp

allgemein:

Code: Alles auswählen

#<a.*href="&#40;.*&#41;".*>&#40;.*&#41;</a>#Uis

ach, hier: https://pcre.nophia.de/evaluate/627b861 ... php#output

für weitere angaben, wie title etc. einfach analog vorgehen.

von **Anzeige von ABAKUS** »

Content Erstellung von ABAKUS Internet Marketing
Ihre Vorteile:

einzigartige Texte
suchmaschinenoptimierte Inhalte
eine sinnvolle Content-Strategie
Beratung und Umsetzung

Jetzt anfragen: 0511 / 300325-0

Beitrag von **Fox Mulder** » 03.02.2005, 08:09

Ich hatte das hier gefunden, evtl. hilft es Dir weiter:

Quelle:
https://www.php-faq.de/q/q-regexp-links-finden.html

Wie finde ich alle Links in einer HTML-Datei
$zeile sei der Inhalt einer zuvor eingelesenen HTML-Datei. Diese Variable muss innerhalb der While-Schleife neu zusammengebaut werden, sonst läuft man hier in eine Endlosschleife.

$pattern = '=^(.*)<a(.*)href\="?(\S+)"([^>]*)>(.*)</a>(.*)$=msi';
while (preg_match($pattern, $zeile, $txt))
{
/* $txt[3] enthält die gewünschte URL. */
echo $txt[3]."\n";

/* $zeile neu bauen */
$zeile = $txt[1]." hier war mal ein Link ".$txt[6];
}

/* $zeile zur Kontrolle ausgeben */
print "<br>".nl2br($zeile);

$txt enthält als Array alle Tokens, die in der Regexp in Klammern angegeben sind. $txt[0]als Sonderstellung enthält den ganzen Text.

Gruss

Beitrag von **Nexus** » 03.02.2005, 10:17

Hi,

Da ich alle Attribute vom Text haben will, mach ich es so:

Code: Alles auswählen

  function getAllLinksInHTML&#40;$text&#41; &#123;
	
		preg_match_all&#40;'#<a&#40;.+&#41;>&#40;.+&#41;</a>#ismU',$text,$regs&#41;;
		
		$links = array&#40;&#41;;
		
		for&#40;$i=0;$i<count&#40;$regs&#91;0&#93;&#41;;$i++&#41; &#123;
			
            preg_match_all&#40;'#&#40;\w+&#41;\s*=\s*"&#40;.*&#41;"#ismU',$regs&#91;1&#93;&#91;$i&#93;,$regs2&#41;;
			
			$attribs = array&#40;&#41;;
			
			for&#40;$ii=0;$ii<count&#40;$regs2&#91;0&#93;&#41;;$ii++&#41; &#123;
				$attribs&#91;strtolower&#40;$regs2&#91;1&#93;&#91;$ii&#93;&#41;&#93; = $regs2&#91;2&#93;&#91;$ii&#93;;
			&#125;
			
			$links&#91;&#93; = array&#40;
				'text'		=> $regs&#91;2&#93;&#91;$i&#93;,
				'attribs'	=> $attribs,
			&#41;;
		&#125;
	
		return $links;
	&#125;

zurückgegeben wird ein Array. Erstes Element ist der Linktext/Grafik, zweites Element ist ein Array mit allen Attributen von <a>. Die Url findet sich dann im Element href.
Am besten mal ausprobieren und mit

Code: Alles auswählen

print_r&#40;getAllLinksInHTML&#40;file_get_contents&#40;'datei.html'&#41;&#41;&#41;;

anschauen.

Gruß
Raphael

Beitrag von **bull** » 03.02.2005, 12:23

Danke erstmal. Sobald allerdings onmouseover oder ähnliches drin ist, ist das Ergebnis nicht mehr befriedigend.

Mein konkretes Problem ist:

Code: Alles auswählen

 while &#40;eregi&#40;"&#40;<frame&#91;^>&#93;*src&#91;&#91;&#58;blank&#58;&#93;&#93;*=|href&#91;&#91;&#58;blank&#58;&#93;&#93;*=|http-equiv=&#91;'\"&#93;refresh&#91;'\"&#93; *content=&#91;'\"&#93;&#91;0-9&#93;+;&#91;&#91;&#58;blank&#58;&#93;&#93;*url&#91;&#91;&#58;blank&#58;&#93;&#93;*=|window&#91;.&#93;location&#91;&#91;&#58;blank&#58;&#93;&#93;*=|window&#91;.&#93;open&#91;&#91;&#58;blank&#58;&#93;&#93;*&#91;&#40;&#93;&#41;&#91;&#91;&#58;blank&#58;&#93;&#93;*&#91;\'\"&#93;?&#40;&#40;&#40;&#91;a-z&#93;&#123;3,5&#125;&#58;//&#41;+&#40;&#40;&#91;.a-zA-Z0-9-&#93;&#41;+&#40;&#58;&#91;0-9&#93;+&#41;*&#41;&#41;*&#40;$allowed_link_chars\&#91;?$allowed_link_chars\&#93;?$allowed_link_chars&#41;&#41;&#40;#&#91;.a-zA-Z0-9-&#93;*&#41;?&#91;\'\" &#93;?",$eval, $regs&#41;&#41; 
&#123;
   $eval = str_replace&#40;$regs&#91;0&#93;,"",$eval&#41;;
...

dahingehend zu modifizieren, daß auch noch der Ankertext ausgelesen wird (wer den zitierten Code kennt hat 100 Punkte). Habe mich gestern länger daran versucht.