php用正则表达抓取网页中文章(PHP正则表达式如何处理将要打开文件的标识和几种形式？)

　　php用正则表达抓取网页中文章(PHP正则表达式如何处理将要打开文件的标识和几种形式？)

　　最近有一个任务，从页面中抓取页面上的所有链接。当然，使用 PHP 正则表达式是最方便的方式。要编写正则表达式，您必须首先总结模式。页面上的链接有多少种形式？

　　链接也是超链接，它是从一个元素（文本、图像、视频等）到另一个元素（文本、图像、视频等）的链接。一个网页中的链接一般有三种，一种是绝对URL超链接，即一个页面的完整路径；另一种是相对URL超链接，一般链接到相同网站的其他页面；另一种是页面内的超链接，一般链接到同一页面内的其他位置。

　　一旦弄清楚了链接的类型，就知道要抓取链接，主要是绝对URL超链接和相对URL超链接。要编写正确的正则表达式，我们必须了解我们正在寻找的对象的模式。

　　再说说绝对链接，也叫URL（Uniform Resource Locator），它标识了互联网上唯一的资源。URL 结构由三部分组成：协议、服务器名、路径和文件名。

　　该协议告诉浏览器如何处理要打开的文件的识别，最常见的是http协议。本文也只考虑了HTTP协议，至于其他https、ftp、mailto、telnet协议等，可以根据需要自行添加。

　　服务器名称是告诉浏览器如何到达该服务器的方式。通常是域名或IP地址，有时会收录端口号（默认为80）。在FTP协议中，也可以收录用户名和密码。本文不考虑。

　　路径和文件名，通常用/分隔，表示文件的路径和文件本身的名称。如果没有具体的文件名，访问该文件夹下的默认文件（可以在服务器端设置）。

　　所以现在很明显，要抓取的绝对链接的典型形式可以概括为

　　每个部分可以使用的字符范围都有明确的规范。详情请参考RFC1738。然后就可以写正则表达式了。