一个页面上的所有链接，其中有多少链接再次指向同一页面（我们如何在 php 中做到这一点）？答案

【问题标题】：all links on a page, and how many of these link to the same page again (how can we do that in php)?一个页面上的所有链接，其中有多少链接再次指向同一页面（我们如何在 php 中做到这一点）？
【发布时间】：2011-01-09 14:56:37
【问题描述】：

我正在尝试编写一个小的 PHP 函数，该函数将通过一个页面（提供一个 url）并返回链接数和链接到同一页面的链接数。例如，如果我提供 google.com 作为 URL，它应该返回 google.com 上有多少链接以及有多少链接返回 google.com（当然包括 www.google.com、google.com、google.com）。 com/# 等）

这很容易做到吗？我该怎么做？

（这不是家庭作业问题，因此请提供尽可能多的帮助

如果您需要更多关于我的意思的信息，请让我提供更多信息

【问题讨论】：

标签： php

【解决方案1】：

我建议SimpleXml 或DOM 完成这项任务，但他们会因无效标记而窒息，不幸的是，大多数网络仍在使用无效标记，including Google 你在问题中提到。您可以从这些 URL 和 tidy 获取 HTML，但您也可以使用 SimpleHTML

$links = array('inbound' => array(),
               'outbound' => array());

$url  = 'http://www.example.com';
$host = parse_url($url, PHP_URL_HOST);    
$html = file_get_html($url);
foreach($html->findElementsByTagName('a') as $link) {
    $linkHost = parse_url($link->href, PHP_URL_HOST);
    $type     = ($linkHost === $host) ? 'inbound' : 'outbound';
    $links[$type][] = $link->href;
}

print_r($links);

请注意，我没有安装 SimpleHTML 的 atm，因此上述方法可能无法直接使用。不过，它应该会为您指明正确的方向。

编辑

天哪，我真的写了这个吗？我是喝醉了还是怎么了？为什么没有人抱怨呢？纠正自己：

如果您使用loadHTML() 方法，DOM 可以很好地处理损坏的 HTML。 SimpleXml 没有。建议的 SimpleHtmlDom 解决方案可能会起作用，但 IMO SimpleHTMLDom 很糟糕。更好的第三方库可以在Best Methods to parse HTML找到。

【讨论】：

我确实安装了简单的 html，并实现了代码，但它仍然无法正常工作，有什么原因会发生这种情况吗？
好吧，就像我在代码下面所说的那样，它可能无法开箱即用，但如果你不告诉我什么，我将无法提供帮助完全不工作。它是否显示任何错误？你改变了 $url 吗？它是否找到任何链接？ $links 中会有链接吗？更多细节请:)

【解决方案2】：

将页面内容加载到变量中：

$html = file_get_contents("http://www.somesite.com");

并在 $html 上执行 preg_match()

查看那个的 php 手册。

http://www.php.net/manual/en/function.preg-match.php

【讨论】：

虽然这可行，但 Regex 不是解析 HTML 的正确工具。正则表达式用于字符串模式匹配，而不是 DOM 遍历。

【解决方案3】：

http://php.net/manual/en/book.simplexml.php

您可以使用 simpleXML 查找页面中的所有链接，然后使用 preg_match 解析生成的链接以查看它们是否与您正在搜索的内容匹配。

【讨论】：

不适用于无效的 HTML。您必须在 SimpleXML 之前使用 Tidy，或者改用 SimpleHTML。
他没有提到无效的HTML =x 但是我之前没有使用过SimpleHTML，也许我应该检查一下:)
他提到了谷歌。这等于无效的 HTML ;)

【解决方案4】：

我会说正则表达式和哈希的组合。我的 PhP 很烂，但在 Perl 中会是这样的

my %Counter;
while(my currentLine = <inData>){
if($currentLine = /(www\..+\.+\/)/){
  $Counter{$1}++;
}
}

foreach $thingy (keys %Counter){
 print "There are $Counter{$thingy} links to $thingy in this document\n";
}

【讨论】：

如果页面中有纯文本 URL？他想要链接。您不使用正则表达式解析 HTML。