expresiones regulares: Sacar los links de una pagina

[derkenuke]

Hola de nuevo. Yo soy yo y las expresiones regulares son las expresiones regulares, y digamos que somos bastante incompatibles :-p .

Bueno mi proyecto era sacar los links de una pagina, un documento cualquiera. La idea es sacar el codigo fuente y luego que las expresiones regulares hagan el resto, sacandome limpiamente el destino del link y el texto que tiene el destino. El codigo es:

Código PHP:

  <?php
 
$pagInicial="http://www.regular-expression.info/";
$regExp="/<a.{1,}href=\"?([a-zA-Z:\.\/]*)\"?.{0,}>(.*)<\/a>/i";
 
$code=join("",file($pagInicial));
preg_match_all($regExp,$code,$matches);
 
$encontrados=$matches;
$nCoincidencias=count($encontrados[1]);
echo $nCoincidencias." coincidencias encontradas<br>";
?><ol><?
for($a=0;$a<$nCoincidencias;$a++) {
    echo "<li>".$encontrados[1][$a]." (".$encontrados[2][$a].")</li>";
}
?></ol>
 
<p>La pagina original es:</p>
 
<p><iframe src="<?=$pagInicial?>" width="100%" height="100%"></iframe>  

Y viene totalmente completo, con los ejemplos y la pagina de la que se intenta sacar los links (que casualmente es una pagina de expresiones regulares ). Bueno yo tenia un documento mio, pero como que no es plan de mandarlo tambien para ver el ejemplo .

Bueno, creo que el problema esta claro. Tendria que encontrar muchas coincidencias y solo encuentra dos. Obviamente este es un fallo de expresiones regulares, pero no consigo solucionarlo por muchas pruebas que he realizado.


A ver si a alguien se le ocurre algo. Abierto a sugerencias de todo tipo

[Cocker]

Hola Derkenuke, prueba esta función:
function linka3($mensaje) {
$mensaje = eregi_replace('(((f|ht){1}(tp|tps){1}://)[-a-zA-Z0-9@:%_+.~#?&//=]+)', '<a href="\1" target="_blank">\1</a>', $mensaje);
$mensaje = eregi_replace('([[:space:]()[{}])(www.[-a-zA-Z0-9@:%_+.~#?&//=]+)', '\1<a href="http://\2" target="_blank">\2</a>', $mensaje);
return $mensaje;
}

[derkenuke]

No lo entiendo, ¿como se usa?

[Cocker]

Las funciones acostumbran a ir al principio del script, y a la hora de pasar el texto por la función, solo hay que llamarla, linka3($mensaje); y te devolvera el texto con los www.etc.com convertidos en links

[derkenuke]

Ah, ok, ahora si lo entiendo. La verdad poco me sirve para mi proposito, poco he sacado en claro de la funcion, porque no me busca enlaces, simplemente reemplaza si encuentra algo parecido a una direccion web absoluta. Buscaba algo parecido a la que tengo yo en el primer mensaje, pero bueno, gracias por la ayuda igualmente.

[derkenuke]

jo no encuentro solucion. Nadie puede ayudarme??

[Jordi1]

No se si entiendo bien la pregunta , pero por lo que entiendo
es que quieres despejar los links de tags <a

Prueba ese codigo

Código PHP:

   preg_match_all("/<a.*?>(.*?)<\/a>/is", $html,$tags);
preg_match_all("/href=\"(.*?)\"/is", $html,$tags2); 
   

Aqui te da un array, de dos dimensiones, pruebalo y saca el array con print_r() y ves que parte te interesan

Código PHP:

  echo "<pre>";
print_r($tags);
echo "</pre>";
 
echo "<pre>";
print_r($tags2);
echo "</pre>"; 
   

Espero que te sirva

saludos

[derkenuke]

SI SEÑOR!!

Muchisimas gracias me ha ayudado muchisimo!

Un saludo Jordi1!!