function match_links($document) {

preg_match_all(“‘]+))[^>]*>?(.*?)’isx”,$document,$links);

while(list($key,$val) = each($links[2])) {

if(!empty($val))

$match[‘link’][] = $val;

}

while(list($key,$val) = each($links[3])) {

if(!empty($val))

$match[‘link’][] = $val;

}

while(list($key,$val) = each($links[4])) {

if(!empty($val))

$match[‘content’][] = $val;

}

while(list($key,$val) = each($links[0])) {

if(!empty($val))

$match[‘all’][] = $val;

}

return $match;

}

复制代码

主要是正则的问题，下面给出个asp.net下的，多测试正则

获取页面的链接正则

public string GetHref(string HtmlCode)

{

string MatchVale = “”;

string Reg = @”(h|H)(r|R)(e|E)(f|F) *= *(‘|””)?((w|\|/|.|:|-|_)+)(‘|””| *|>)?”;

foreach (Match m in Regex.Matches(HtmlCode, Reg))

{

MatchVale += (m.Value).ToLower().Replace(“href=”, “”).Trim() + “||”;

}

return MatchVale;

}

复制代码

例2，php中通过正则表达式下载内容中的远程图片的函数代码

用PHP正则表达式判断内容中的图片，下载并保存非本域名下的图片的程序

这段程序其实是属于“小偷程序”的重要部分。

这一段程序只是下载远程图片的那一段。

if (preg_match_all(“/http://[^ “‘]+[.jpg|.gif|.jpeg|.png]+/ui”,stripcslashes($content),$aliurl)){

$i=0; //多个文件++

while(list($key ,$v) = each($aliurl[0])){

//echo $v.”

“;

$filetype = pathinfo($v, PATHINFO_EXTENSION); //获取后缀名

$ff = @file_get_contents($v); //获取2进制文件内容

if(!stripos($v,”jbxue.com”)){//判断是否是自己网站下的图片

if (!empty($ff)){ //获取到文件就执行下面的操作

$dir = “upload/”.date(“Ymd”).”/”;//指定新的存储路径

if (!file_exists($dir)){//判断目录是否存在

@mkdir($dir,511,true); //创建多级目录,511转换成十进制是777具有可执行权限

} // bbs.it-home.org

$nfn = $dir.date(“Ymdhis”).$i.”.”.$filetype; //构建文件的新名字

$nf = @fopen($nfn,”w”); //创建文件

fwrite($nf,$ff); //写入文件

fclose($nf); //关闭文件

$i++; //多文件++

echo “

“;

$content = str_replace($v,$nfn, $content);//替换content中的参数

}else{//获取不到图片则替换为默认图片

$content = str_replace($v,”/upload/201204/20120417213810742.gif”, $content);//替换content中的参数

}

}

}

}

复制代码

例3，PHP通过正则表达式下载图片到本地。

/*

shortage: 如果网页中的图片路径不是绝对路径，就无法抓取

*/

set_time_limit(0);//抓取不受时间限制

$URL=’http://pp.baidu.com/’;//任意网址

get_pic($URL);

function get_pic($pic_url) {

//获取图片二进制流

$data=CurlGet($pic_url);

/*利用正则表达式得到图片链接*/

$pattern_src = ‘//’;

$num = preg_match_all($pattern_src, $data, $match_src);

$arr_src=$match_src[1];//获得图片数组

get_name($arr_src);

echo “

finished!!!”;

return 0;

}

/*得到图片类型，并将其保存到与该文件同一目录*/

function get_name($pic_arr)

{

//图片类型

$pattern_type = ‘/(/.(jpg|bmp|jpeg|gif|png))/’;

foreach($pic_arr as $pic_item){//循环取出每幅图的地址

$num = preg_match_all($pattern_type, $pic_item, $match_type);

$pic_name = get_unique().$match_type[1][0];//改时微秒时间戳命名

//以流的形式保存图片

$write_fd = @fopen($pic_name,”wb”);

@fwrite($write_fd, CurlGet($pic_item));

@fclose($write_fd);

echo “[OK]..!”;

}

return 0;

}

//通过微秒时间获得唯一ID

function get_unique(){

list($msec, $sec) = explode(” “,microtime());

return $sec.intval($msec*1000000);

}

//抓取网页内容

function CurlGet($url){

$url=str_replace(‘&’,’&’,$url);

$curl = curl_init();

curl_setopt($curl, CURLOPT_URL, $url);

curl_setopt($curl, CURLOPT_HEADER, false);

//curl_setopt($curl, CURLOPT_REFERER,$url);

curl_setopt($curl, CURLOPT_USERAGENT, “Mozilla/4.0 (compatible; MSIE 6.0; SeaPort/1.2; Windows NT 5.1; SV1; InfoPath.2)”);

curl_setopt($curl, CURLOPT_COOKIEJAR, ‘cookie.txt’);

curl_setopt($curl, CURLOPT_COOKIEFILE, ‘cookie.txt’);

curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);

curl_setopt($curl, CURLOPT_FOLLOWLOCATION, 0);

$values = curl_exec($curl);

curl_close($curl);

return $values;

}

?>

复制代码