php用正则表达抓取网页中文章( PHP正则表达式的几种形式及典型形式介绍-苏州安嘉)

　　php用正则表达抓取网页中文章(

PHP正则表达式的几种形式及典型形式介绍-苏州安嘉)

　　PHP中如何利用正则爬取页面中的URL

　　更新时间：2016-08-09 08:47:55 发布者：daisy

　　从页面中抓取页面中的所有链接，当然，使用PHP正则表达式是最方便的方式。写正则表达式，首先要总结一下模式，那么页面中的链接会有多少种形式呢？让我们来看看。

　　前言

　　链接，也称为超链接，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。网页中的链接一般分为三种，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，一般链接到同一个网站的其他页面；是页面内的超链接，通常链接到同一页面内的其他位置。

　　搞清楚链接的类型，就知道抓取链接主要有绝对URL超链接和相对URL超链接。要编写正确的正则表达式，我们必须了解我们要查找的对象的模式。

　　首先，绝对链接，也称为 URL（统一资源定位器），用于标识 Internet 上的唯一资源。URL的结构由三部分组成：协议、服务器名、路径和文件名。

　　协议是告诉浏览器如何处理要打开的文件的标识符，最常见的是http协议。本文只考虑 HTTP 协议。至于其他的https、ftp、mailto、telnet协议等，也可以根据需要添加。

　　服务器名是告诉浏览器如何到达服务器的方式，通常是域名或IP地址，有时还有端口号（默认为80）。在FTP协议中，还可以收录一个用户名和密码，本文不涉及）。经过考虑的。

　　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，则访问该文件夹中的默认文件（可以在服务器端设置）。

　　现在很清楚，爬网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定。有关详细信息，请参阅 RFC1738。然后就可以写正则表达式了。

/(http|https):\/\/([\w\d\-_]+[\.\w\d\-_]+)[:\d+]?([\/]?[\w\/\.]+)/i

　　解释如下：