Link extraction met reguliere expressie

alles over :: blog

Categorieën

Advertentie

Zaterdag, 9 september 2006

Geplaatst door alles over in scripts

Reacties (0)

Link extraction met reguliere expressie

Een tijdje geleden heb ik aan een reguliere expressie in perl gewerkt die een redelijk complete oplossing geeft om alle links te extraheren uit een HTML file. In veel gevallen kan het gebruik van deze simpele regexp ten opzichte van een oplossing met bijvoorbeeld HTML::LinkExtor performance winst opleveren.

De onderstaande reguliere expressie houdt rekening met:
- Dubbele en enkele quotes;
- Eventueel tussengevoegde spaties;
- Ankers in de url;
- HREF hoeft niet het eerste attribuut te zijn

Bijvoorbeeld:

REGEXP

while( $html =~ m/<A\s+[^>]*HREF\s*=\s*[\'\"]([^\s\'\"#>]*)/gis )

{
next if ($1 eq ''); #skip if empty
my $link = $1;
#do here something with $link
}

Trackbacks

Trackback is een specifieke link naar deze inzending

Geen Trackbacks

Reacties

Geeft reacties weer als (Lineair | Samengevoegd)

Geen reacties

Reactie toevoegen

Naam
E-mail
Webpagina
Reactie op
Reactie	Enclosing asterisks marks text as bold (word), underscore are made via _word_. Standard emoticons like :-) and ;-) are converted to images. E-Mail addresses will not be displayed and will only be used for E-Mail notifications To prevent automated Bots from commentspamming, please enter the string you see in the image below in the appropriate input box. Your comment will only be submitted if the strings match. Please ensure that your browser supports and accepts cookies, or your comment cannot be verified correctly. Enter the string from the spam-prevention image above: You can use [geshi lang=lang_name [,ln={y\|n}]][/lang] tags to embed source code snippets
	Onthoud Informatie?