Вытащить все внешние ссылки с сайта

[HatoL]

Есть следующий кусок кода (на PHP

$host = str_replace('.', '\.', $this->url_host_simple);
$this->links_ext_num = preg_match_all('/<a.*?href="(http:\/\/(?:www\.)?(?!' . $host . ').+?)"/i', $this->page_content, $this->links_ext);

Все работает почти безупречно. Но в результат попадают также внутренние ссылки ресурса, начинающиеся на "www.". Например "http://site.ru/" не попадет в результат, а "http://www.site.ru/" - да. Переменная $this->url_host_simple содержит адрес хоста без префикса "www." в начале. Всю голову переломал, тысячу раз разбирал заново регу, но вижу, что все должно работать! На вас последняя надежда, nulled.ws.

 

[unsiker]

Нужно проверку делать
через strpos.
логика проста до ужаса, если нашло подстроку в строке, то это внутреняя ссылка, а если не нашло то это внешняя

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.

 

[HatoL]

думаешь один такой умный? Мне нужно решение именно регулярным выражением.

 

[RolCom]

Просто поправить- ...(?:www\.)?+(?!' . $host...
А вообще регулярка аццтой, я бы подругому написал.

 

[HatoL]

А вообще регулярка аццтой, я бы подругому написал.

готов поспорить. В каком месте она "аццтой" ?

 

[RolCom]

Например, с такой строкой совпадет

<a href="http://site.ru/ht">ссылка1</a> pohohref="http://notsite.ru/"

Ибо <a.*?href
Не говоря уже о том что не учитывается возможность кавычек '...' пробелов между =, и тем более то что некоторые вообще кавычек не ставят.

 

[serg_g]

кавычки учесть вот так можно

preg_match_all('/<a.*?href=[\'|\"]{0,1}(http:\/\/(?:www\.)?(?!' . $host . ').+?)[\'|\"]{0,1}/is', $this->page_content, $this->links_ext);

a.*?href поменять на a[^>]+href

а pohohref - это слишком ихмо....

 

[ewg777]

Попробуйте это

// получение всех внешних ссылок сайта 
function get_external_links($array){  
    $result = array();  
    $count = count($array);  
        for($i=0;$i<$count;$i++){  
            if(!empty($array[$i])){         
                if(strpos($array[$i],"www",0) !== false){  
                    if(strpos($array[$i],"http",0) !== false){                     
                        array_push($result,$array[$i]);  
                    }  
                }  
            }  
        }  
    return $result;  
}

 

[HatoL]

я уже давно все сделал

кавычки учесть вот так можно

preg_match_all('/<a.*?href=[\'|\"]{0,1}(http:\/\/(?:www\.)?(?!' . $host . ').+?)[\'|\"]{0,1}/is', $this->page_content, $this->links_ext);

a.*?href поменять на a[^>]+href

а pohohref - это слишком ихмо....

вместо [\'|\"] имхо лучше написать [\"\'] - так будет меньше нагрузки на парсер Perl-регулярных выражений (на официальном сайте так написано). Остальную часть реги не смотрел

 

[index111]

Подскажите как реализовать что бы внутрение ссылки выдирать