Meh。不要
parse HTML with regexes。
这里有一个DOM版本灵感来自Tatu的:
function crawl_page($url, $depth = 5)
{
static $seen = array();
if (isset($seen[$url]) || $depth === 0) {
return;
}
$seen[$url] = true;
$dom = new DOMDocument('1.0');
@$dom->loadHTMLFile($url);
$anchors = $dom->getElementsByTagName('a');
foreach ($anchors as $element) {
$href = $element->getAttribute('href');
if (0 !== strpos($href, 'http')) {
$path = '/' . ltrim($href, '/');
if (extension_loaded('http')) {
$href = http_build_url($url, array('path' => $path));
} else {
$parts = parse_url($url);
$href = $parts['scheme'] . '://';
if (isset($parts['user']) && isset($parts['pass'])) {
$href .= $parts['user'] . ':' . $parts['pass'] . '@';
}
$href .= $parts['host'];
if (isset($parts['port'])) {
$href .= ':' . $parts['port'];
}
$href .= $path;
}
}
crawl_page($href, $depth - 1);
}
echo "URL:",$url,PHP_EOL,"CONTENT:",PHP_EOL,$dom->saveHTML(),PHP_EOL,PHP_EOL;
}
crawl_page("http://hobodave.com", 2);
编辑:我修复了Tatu的版本的一些错误(现在与相对URL)。
编辑:我添加了一个新的功能,阻止它跟踪相同的URL两次。
编辑:回传输出到STDOUT现在,所以你可以重定向到任何你想要的文件
编辑:修正了乔治在他的答案中指出的错误。相对url将不再追加到url路径的末尾,而是覆盖它。感谢乔治为此。注意,乔治的答案不考虑以下任何:https,用户,传递或端口。如果你有http PECL扩展加载这是相当简单地使用http_build_url.否则,我必须手动胶合在一起使用parse_url。再次感谢乔治。