开发中我们可能会获取某个页面或是一段内容中的链接信息，下面我分享一个我写的函数给大家，希望能帮到大家。
函数功能：
1、获取一段内容中链接信息；
2、获取一个URL中链接信息；
3、剔除锚链等无效的链接
4、获取当前域下的链接信息
5、获取他域下的链接信息
6、保留链接的文本信息
代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
/** * +----------------------------------------------------------
* 功能：获取一个网页或一段内容里面的链接信息
* +----------------------------------------------------------
* @param string $html 要获取链接的内容或网址
* @param string $isExclude 是否过滤无效的链接，如"","#","javascript:;","javascript:void(0);" 。默认过滤
* @param string $isKeepLinkText 是否保留链接的文字。默认保留，保留与不保留链接数可能不同
* @param string $linkType 取得链接的类型，all所有的链接，inner 本域下的链接， out 外域的链接信息。默认 是取得所有链接
* +----------------------------------------------------------
* @return array
* +----------------------------------------------------------
*/
function getLinks($html,$isExclude=true,$isKeepLinkText=true,$linkType='all'){
if(empty($html)) return false;
set_time_limit(0);//防止超时
$removes=array('','#','javascript:;','javascript:void(0);','javascript:void(0)');//排除锚链之类的
$html = substr(strtolower($html),0,4)=="http"?file_get_contents($html):$html;//要处理的内容
//提取链接信息
$pattern = '/<a(?:.*?)href="(((?:http(?:s?):\/\/)?([^\"\/]+))?(?:[^\"]*))"(?:[^>]*?)>([^<]*?)<\/a>/i';
preg_match_all($pattern, $html, $_links);
if($isKeepLinkText){
foreach ($_links[1] as $key => $href) {
$links[$_links[4][$key]]=$href;
}
}else{
$links=$_links[4];
}
unset($_links);
foreach ($links as $text => $href) {
//移除无效的链接
if($isExclude&&in_array($href, $removes)) {
unset($links[$text]);
}
if($linkType!='all'){
$host=parse_url($href);
$host=isset($host['host'])?$host['host']:'';
if($linkType=='inner'){//本域链接
if(substr($href,0,1)!="/"&&strtolower($host)!=strtolower($_SERVER['SERVER_NAME'])) {
unset($links[$text]);
}
}elseif($linkType=='out'){//他域链接
if(substr($href,0,1)=="/"||strtolower($host)==strtolower($_SERVER['SERVER_NAME'])) {
unset($links[$text]);
}
}
}
}
return $links;
} |
使用方法：
|
1
2
3
4
5
6
7
|
$links=getLinks("http://www.sina.com.cn");
//或 $links=getLinks("http://www.sina.com.cn",1,0,"out");
//或
$links=getLinks("这里是一段要提取链接信息的内容");
|
特别说明：
1、上面的函数用到了file_get_contents ，获取内容可能会失败，你可以自行改成curl；
2、提取链接用了正则，效率可能低。
当然你也看一看使用下面的函数，当要提取的内容网址的时候不使用正则来提取链接信息：
代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
|
/** * +----------------------------------------------------------
* 功能：获取一个网页或一段内容里面的链接信息
* +----------------------------------------------------------
* @param string $html 要获取链接的内容或网址
* @param string $isExclude 是否过滤无效的链接，如"","#","javascript:;","javascript:void(0);" 。默认过滤
* @param string $isKeepLinkText 是否保留链接的文字。默认保留，保留与不保留链接数可能不同
* @param string $linkType 取得链接的类型，all所有的链接，inner 本域下的链接， out 外域的链接信息。默认 是取得所有链接
* +----------------------------------------------------------
* @return array
* +----------------------------------------------------------
*/
function getLinks($html,$isExclude=true,$isKeepLinkText=true,$linkType='all'){
if(empty($html)) return false;
set_time_limit(0);
$removes=array('','#','javascript:;','javascript:void(0);','javascript:void(0)');//排除锚链之类的
$isLink=substr(strtolower($html),0,4)=="http"?1:0;//是否是链接
$html = $isLink?file_get_contents($html):$html;
if($isLink){
$dom = new DOMDocument();
@$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
unset($dom);
$hrefs = $xpath->evaluate("/html/body//a");//获取a节点
$length=$hrefs->length;//获取链接数
$links=array();//网页上的链接
for ($i = 0; $i < $length; $i++) {
$href = trim($hrefs->item($i)->getAttribute('href'));
$text=trim($hrefs->item($i)->textContent);
$links[$text]=$href;
}
}else{
$pattern = '/<a(?:.*?)href="(((?:http(?:s?):\/\/)?([^\"\/]+))?(?:[^\"]*))"(?:[^>]*?)>([^<]*?)<\/a>/i';
preg_match_all($pattern, $html, $_links);
if($isKeepLinkText){
foreach ($_links[2] as $key => $href) {
$links[$_links[4][$key]]=$href;
}
}else{
$links=$_links[4];
}
unset($_links);
}
foreach ($links as $text => $href) {
//移除无效的链接
if($isExclude&&in_array($href, $removes)) {
unset($links[$text]);
}
if($linkType!='all'){
$host=parse_url($href);
$host=isset($host['host'])?$host['host']:'';
if($linkType=='inner'){//本域链接
if(substr($href,0,1)!="/"&&strtolower($host)!=strtolower($_SERVER['SERVER_NAME'])) {
unset($links[$text]);
}
}elseif($linkType=='out'){//他域链接
if(substr($href,0,1)=="/"||strtolower($host)==strtolower($_SERVER['SERVER_NAME'])) {
unset($links[$text]);
}
}
}
}
return $links;
} |
使用方法与上面一致
本文转自 gutaotao1989 51CTO博客，原文链接:http://blog.51cto.com/taoyouth/1410393