facebook页面是否真实存在及其url结构的有效性

Question

我花了几个小时来验证 Facebook PAGES。我找到并阅读了很多文章/帖子，但没有找到符合我要求的内容。我想将用户输入的 url ($rawurl) 转换为我想要的格式 ($goodurl)，在谷歌搜索时，我发现 regex 是这样做的方法，但它非常复杂且难以理解并且需要帮助。

用户可以按照自己喜欢的方式输入网址 示例：

http://facebook.com/WillSmith, 
https://facebook.com/WillSmith, 
http://www.facebook.com/WillSmith, 
https://www.facebook.com/WillSmith, 
www.facebook.com/WillSmith 
or just facebook.com/WillSmith 

或任何其他方式。不仅如此，除了虚荣的 url 格式，facebook 页面还带有其他格式，如 facebook.com/pages/usernames/somenumbers。诸如 en-gb.facebook.com 之类的子域使事情变得更加困难。所以在谷歌搜索更多之后，我找到了一个正则表达式http[s]?://(www|[a-zA-Z]{2}-[a-zA-Z]{2})\.facebook\.com/(pages/[a-zA-Z0-9\.-]+/[0-9]+|[a-zA-Z0-9\.-]+)[/]?$，但不确定它是否能满足上述所有条件。

帮助我的需要： 1.我需要的标准格式是https://www.facebook.com/WillSmith 2. 我还需要检查它是否是一个有效的 URL。例如，上面的 url 是有效的，如果你看到这个 url https://www.facebook.com/WillSmith555，它符合有效标准，但 Facebook 上没有这样的页面。它显示“抱歉，此页面不可用。您点击的链接可能已损坏，或者该页面可能已被删除”，并带有损坏的竖起大拇指图片。

检查这两个条件后，我需要在php文件中回显用户输入的url在进行正则表达式转换后是否有效。

请帮忙。

Answer 1

你可以在 facebook 上做一个 head only 请求：

<?php

    function header_req( $url )
    {
        $channel = curl_init();
        curl_setopt($channel, CURLOPT_URL, $url);
        curl_setopt($channel, CURLOPT_CONNECTTIMEOUT, 10);
        curl_setopt($channel, CURLOPT_TIMEOUT, 10);
        curl_setopt($channel, CURLOPT_HEADER, true);
        curl_setopt($channel, CURLOPT_NOBODY, true);
        curl_setopt($channel, CURLOPT_RETURNTRANSFER, true);
        curl_setopt($channel, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows; U; Windows NT 6.1; rv:2.2) Gecko/20110201');
        curl_setopt($channel, CURLOPT_FOLLOWLOCATION, true);
        curl_setopt($channel, CURLOPT_IPRESOLVE, CURL_IPRESOLVE_V4);
        curl_setopt($channel, CURLOPT_SSL_VERIFYPEER, FALSE);
        curl_setopt($channel, CURLOPT_SSL_VERIFYHOST, FALSE); 
        curl_exec($channel);
        $httpCode = curl_getinfo( $channel, CURLINFO_HTTP_CODE );
        curl_close($channel);
        return $httpCode;
    }

    $url = "https://www.facebook.com/WillSmith";

    //lets check the url for facebook as host:


    // 1 add http if not found in URL
    if ( stripos( $url , "http") !== 0)
        $url = "http://" . $url;


    // 2 get facebook.com from URL
    $host = parse_url( $url, PHP_URL_HOST );

    // 3 if host is indeed facebook.com then continue
    if ( stripos( $host , "facebook.com" ) )
    {
        $response = header_req($url);

        if ( $response === 200 || $response === 302 )
            echo "Page Found";
        else
            echo "Page Not Found";
    }

?>

这样的优点：

1. 它只会获取大约 1KB - 5 KB 的页面标题。

2. 不使用正则表达式。

3. 无论模式是什么，所有页面都经过验证:)

Answer 2

关于正则表达式：

• 您需要使用反斜杠转义斜杠
• 进行一些修改以匹配您的所有示例

您的正则表达式，已修改：

^(http[s]?:\/\/)?((www|[a-zA-Z]{2}-[a-zA-Z]{2})\.)?facebook\.com\/(pages\/[a-zA-Z0-9\.-]+\/[0-9]+|[a-zA-Z0-9\.-]+)\b[\/]?$

演示：http://regex101.com/r/lN1tN6/1