Crawler

[LEXAlForpostl]

Здравствуйте.
Подскажите пожалуйста, как спарсить со страницы урлы вида

Для просмотра ссылки Войди или Зарегистрируйся

Т.е. спарсить урлы определённой директории "dir", и ещё, чтобы слова после директории были только с нижним подчёркиванием, и нижнее подчёркивание должно встречаться не менее 2х раз.

 

[satih]

Если знак '-' может быть в название директории (а в принципе может), тогда так:

preg_match_all('|http://domain\.com/dir/[a-z0-9-]*_[a-z0-9-]*_[\w-]*/|i', $html, $matches);
print_r($matches);

Если только буквы, цифры, и '_', тогда так:

preg_match_all('|http://domain\.com/dir/[a-z0-9]*_[a-z0-9]*_\w*/|i', $html, $matches);
print_r($matches);

 

[LEXAlForpostl]

Не помогло.
Символов "_" не менее двух, т.е. может быть и больше. Может в этом загвоздка?

 

[satih]

Тестил на этом:

<?
$html = 'dsasa sadf sdf sdf sf sd fds fsd fs http://domain.com/dir/ne_znaaS-u_cAShto-AS/sdfsf sfsdf http://domain.com/dir/ne_zn-auchto/sd fsd http://domain.com/dir/n-ASe_z-n-_au_c-hto_sdfs_sdf-sdf_sdfsdf_/ fds http://domain.com/dir/ne_zn_auAS_chto_/ f ';
preg_match_all('|http://domain\.com/dir/[a-z0-9-]*_[a-z0-9-]*_[\w-]*/|i', $html, $matches);
print_r($matches);
?>

Срабатывало, т.е. ловило 2 символа "_" и больше.
Результат:

Array ( [0] => Array ( [0] => Для просмотра ссылки Войди или Зарегистрируйся [1] => Для просмотра ссылки Войди или Зарегистрируйся [2] => Для просмотра ссылки Войди или Зарегистрируйся ) )

Ты ожидаешь увидеть весь урл?

Для просмотра ссылки Войди или Зарегистрируйся

 

[LEXAlForpostl]

Да. Весь урл.
P.S.
Нашёл ошибку.
Там в некоторых случаях стоит www
Просто две регулярки делаю.
С ввв и без них.

 

[satih]

Зачем две регулярки? Держи "в одном флаконе":

preg_match_all('%http://(?:www\.|)domain\.com/dir/[a-z0-9-]*_[a-z0-9-]*_[\w-]*/%i', $html, $matches);
print_r($matches);

Я просто сам новичек в этом деле, посмотрел только на урл в примере, не учел "www".