0

Есть текст битком набитый вот такими ссылками. Нужно как-то выудить из него прямой url и записать его на место редиректа. Просьба помочь с составлением регулярки!

<a href="http://win.mail.ru/cgi-bin/link?check=1&amp;url=http%3A%2F%2Fredirect.subscribe.ru%2Flaw.russia.review.consdailyrus%2C2215%2F20110128105418%2Fn%2Fm17587277%2F-%2Fmy.consultant.ru%2Fcabinet%2F%3Fmode%3Dstat%3Bclick%3Bd%3D2011-01-27%3Br%3Dfd%3Bs%3Dsubscribe%3Bdst%3Dhttp%253A%252F%252Fwww.consultant.ru%252Flaw%252Freview%252Flink%252F%253Fid%253D961912">О федеральной целевой программе</a>

Добавлено.

Спасибо! Удалось почить конечную ссылку без редиректов, дописав вот такое:

foreach($res[1] as $n => $link)
    if (!empty($res[2][$n])) {
        $url = urldecode($res[2][$n]);
        if ( (preg_match('/redirect.subscribe.ru/is', $url)) > 0 ) {
            parse_str(parse_url($url, PHP_URL_QUERY), $url);
            $url = $url['mode'];
            $l=strpos($url, 'dst=');
            $url = str_split($url,$l+4);
            $result = $url[1].$url[2];
        } else {
            $result = $url;
        }

        $text = str_replace($link, $result, $text);
    }

3 ответа 3

2
<?
$text = '<a href="http://win.mail.ru/cgi-bin/link?check=1&amp;url=http%3A%2F%2Fredirect.subscribe.ru%2Flaw.russia.review.consdailyrus%2C2215%2F20110128105418%2Fn%2Fm17587277%2F-%2Fmy.consultant.ru%2Fcabinet%2F%3Fmode%3Dstat%3Bclick%3Bd%3D2011-01-27%3Br%3Dfd%3Bs%3Dsubscribe%3Bdst%3Dhttp%253A%252F%252Fwww.consultant.ru%252Flaw%252Freview%252Flink%252F%253Fid%253D961912">О федеральной целевой программе</a>
<a href="http://win.mail.ru/cgi-bin/link?check=1&amp;url=http%3A%2F%2Fredirect.subscribe.ru%2Flaw.russia.review.consdailyrus%2C2215%2F20110128105418%2Fn%2Fm17587277%2F-%2Fmy.consultant.ru%2Fcabinet%2F%3Fmode%3Dstat%3Bclick%3Bd%3D2011-01-27%3Br%3Dfd%3Bs%3Dsubscribe%3Bdst%3Dhttp%253A%252F%252Fwww.consultant.ru%252Flaw%252Freview%252Flink%252F%253Fid%253D961912123">О федеральной целевой программе 123</a>';

echo '<h3>До</h3>';
echo '<hr />';
echo $text;
echo '<hr />';

$exp = '/<a.*href="(http.*url=([^"]+))"[^>]*>/i';    
$res = $res2 = array();
preg_match_all($exp, $text, $res);
if (!empty($res[1]))
  foreach($res[1] as $n => $link)
    if (!empty($res[2][$n]))
      $text = str_replace($link, urldecode($res[2][$n]), $text);

echo '<h3>После</h3>';
echo '<hr />';
echo $text;
echo '<hr />';
?>

Единственное - редиректов в ссылке таки 2 (mail.ru + subscribe.ru) и второй сложнее выловить. Но до первого код выше обрабатывает.

2

На мой взгляд, в данном случае проще воспользоваться xml парсером.

$xml = new SimpleXMLElement($text);

// пробегаемся по всем ссылкам с атрибутом href
foreach ($xml->xpath('//a[@href]') as $a) {

    // пропускаем ссылки без query
    if ( !($query = parse_url($a['href'], PHP_URL_QUERY)) ) {
        continue;
    }

    // парсим query, значения будут уже декодированны
    parse_str($query, $params);

    // меняем атрибут на соответсувующий параметр, если есть 
    if (isset($params['url'])) {
        $a['href'] = $params['url'];
    }
}

var_dump($xml->asXML());

UPD. Если уж очень хочется именно по регулярке заменить, то лучше всего воспользоваться preg_replace_callback()

$result = preg_replace_callback('/(<a\b[^>]+href=)(\S+)\b([^>]*>)/i', function($m) {

        $url = htmlspecialchars_decode(trim($m[2], '"\''));
        if ( !($query = parse_url($url, PHP_URL_QUERY)) ) {
            return $m[0];
        }

        parse_str($query, $params);
        if (!isset($params['url'])) {
            return $m[0];
        }

        $url = $params['url'];
        $parts = parse_url($url);
        if ($parts['host'] !== 'redirect.subscribe.ru') {
            return $m[1].$url.$m[3];
        }

        parse_str($parts['query'], $params);
        if (!isset($params['mode']) || !preg_match('/;dst=(.+)/', $params['mode'], $n)) {
            return $m[1].$url.$m[3];
        }

        return $m[1].$n[1].$m[3];
}, $text);
7
  • Увы, не варсит.
    – SmartTry
    13 июл 2011 в 5:46
  • Что значит "не варсит"? 13 июл 2011 в 6:15
  • Большинство HTML-документов не являются XML-документами, так что XML-парсеры ничего не могут пропарсить.
    – cy6erGn0m
    13 июл 2011 в 8:49
  • Современные XML-парсеры умеют парсить HTML. Т.н. код выше без проблем отрабатывает со строкой ТС. Кроме того, всегда можно воспользоваться [DOM][1] [1]: ru.php.net/manual/en/domdocument.loadhtml.php 13 июл 2011 в 10:23
  • Чтобы получить DOM-дерево документа, его надо пропарсить. "Современные XML-парсеры умеют парсить HTML" - в таком случае, они таковыми не являются, а являются HTML-парсерами. Поскольку разница между HTML и XML очень существенна.
    – cy6erGn0m
    13 июл 2011 в 10:34
1

Регулярными выражениями можно искать только саму ссылку. Ссылку из url-параметра надо декодировать с помощью urldecode.

Соответствующее регулярное выражение составьте на основе уже готовых. Например, из SO. Или на основании множества других.

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.