PHP获取一个页面上的链接信息

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：

/**
  * +----------------------------------------------------------
  * 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：

/**
  * +----------------------------------------------------------
  * 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

赏 支付宝打赏 微信打赏

如果文章或资源对您有帮助，欢迎打赏作者。一路走来，感谢有您！