php正则表达式提取网页超链接url与网页中图片

2. function match_links($document) {
3. preg_match_all("'<\s*a\s.*?href\s*=\s*([\"\'])?(?(1)(.*?)\\1|([^\s\>]+))[^>]*>?(.*?)'isx",$document,$links);
4. while(list($key,$val) = each($links[2])) {
5. if(!empty($val))
6. $match['link'][] = $val;
7. }
8. while(list($key,$val) = each($links[3])) {
9. if(!empty($val))
10. $match['link'][] = $val;
11. }
12. while(list($key,$val) = each($links[4])) {
13. if(!empty($val))
14. $match['content'][] = $val;
15. }
16. while(list($key,$val) = each($links[0])) {
17. if(!empty($val))
18. $match['all'][] = $val;
19. }
20. return $match;
21. }

主要是正则的问题，下面给出个asp.net下的，多测试正则 获取页面的链接正则

2. public string GetHref(string HtmlCode)
3. {
4. string MatchVale = "";
5. string Reg = @"(h|H)(r|R)(e|E)(f|F) *= *('|"")?((\w|\\|\/|\.|:|-|_)+)('|""| *|>)?";
6. foreach (Match m in Regex.Matches(HtmlCode, Reg))
7. {
8. MatchVale += (m.Value).ToLower().Replace("href=", "").Trim() + "||";
9. }
10. return MatchVale;
11. }

例2，php中通过正则表达式下载内容中的远程图片的函数代码

用PHP正则表达式判断内容中的图片，下载并保存非本域名下的图片的程序 这段程序其实是属于“小偷程序”的重要部分。

这一段程序只是下载远程图片的那一段。

2. if (preg_match_all("/http://[^ "']+[.jpg|.gif|.jpeg|.png]+/ui",stripcslashes($content),$aliurl)){
3. $i=0; //多个文件++
4. while(list($key ,$v) = each($aliurl[0])){
5. //echo $v."
   ";
6. $filetype = pathinfo($v, PATHINFO_EXTENSION); //获取后缀名
7. $ff = @file_get_contents($v); //获取2进制文件内容
8. if(!stripos($v,"jbxue.com")){//判断是否是自己网站下的图片
9. if (!empty($ff)){ //获取到文件就执行下面的操作
10. $dir = "upload/".date("Ymd")."/";//指定新的存储路径
11. if (!file_exists($dir)){//判断目录是否存在
12. @mkdir($dir,511,true); //创建多级目录,511转换成十进制是777具有可执行权限
13. } // bbs.it-home.org
14. $nfn = $dir.date("Ymdhis").$i.".".$filetype; //构建文件的新名字
15. $nf = @fopen($nfn,"w"); //创建文件
16. fwrite($nf,$ff); //写入文件
17. fclose($nf); //关闭文件
18. $i++; //多文件++
19. echo "<img src="".$nfn."">";
20. $content = str_replace($v,$nfn, $content);//替换content中的参数
21. }else{//获取不到图片则替换为默认图片
22. $content = str_replace($v,"/upload/201204/20120417213810742.gif", $content);//替换content中的参数
23. }
24. }
25. }
26. }

例3，PHP通过正则表达式下载图片到本地。

3. /*

4. shortage: 如果网页中的图片路径不是绝对路径，就无法抓取
5. */
6. set_time_limit(0);//抓取不受时间限制

7. $URL='http://pp.baidu.com/';//任意网址

8. get_pic($URL);

9. function get_pic($pic_url) {

10. //获取图片二进制流
11. $data=CurlGet($pic_url);
12. /*利用正则表达式得到图片链接*/
13. $pattern_src = '/<[img|IMG].*?src=[\'|\"](.*?(?:[\.gif|\.jpg]))[\'|\"].*?[\/]?>/';
14. $num = preg_match_all($pattern_src, $data, $match_src);
15. $arr_src=$match_src[1];//获得图片数组
16. get_name($arr_src);

17. echo "
    finished!!!";

18. return 0;
19. }

20. /*得到图片类型，并将其保存到与该文件同一目录*/

21. function get_name($pic_arr)
22. {
23. //图片类型
24. $pattern_type = '/(/.(jpg|bmp|jpeg|gif|png))/';

25. foreach($pic_arr as $pic_item){//循环取出每幅图的地址

26. $num = preg_match_all($pattern_type, $pic_item, $match_type);
27. $pic_name = get_unique().$match_type[1][0];//改时微秒时间戳命名
28. //以流的形式保存图片
29. $write_fd = @fopen($pic_name,"wb");
30. @fwrite($write_fd, CurlGet($pic_item));
31. @fclose($write_fd);
32. echo "[OK]..!";
33. }
34. return 0;
35. }

36. //通过微秒时间获得唯一ID

37. function get_unique(){
38. list($msec, $sec) = explode(" ",microtime());
39. return $sec.intval($msec*1000000);
40. }

41. //抓取网页内容

42. function CurlGet($url){
43. $url=str_replace('&','&',$url);
44. $curl = curl_init();
45. curl_setopt($curl, CURLOPT_URL, $url);
46. curl_setopt($curl, CURLOPT_HEADER, false);

47. //curl_setopt($curl, CURLOPT_REFERER,$url);

48. curl_setopt($curl, CURLOPT_USERAGENT, "Mozilla/4.0 (compatible; MSIE 6.0; SeaPort/1.2; Windows NT 5.1; SV1; InfoPath.2)");
49. curl_setopt($curl, CURLOPT_COOKIEJAR, 'cookie.txt');
50. curl_setopt($curl, CURLOPT_COOKIEFILE, 'cookie.txt');
51. curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);
52. curl_setopt($curl, CURLOPT_FOLLOWLOCATION, 0);
53. $values = curl_exec($curl);
54. curl_close($curl);
55. return $values;
56. }
57. ?>