URL extrahieren

[joern]

Hi,

vielleicht kann mir ja hier jemand helfen.
Ich würde gerne aus diesem Bannercode nur die URL extrahieren. Alles andere kann weg. Wie kann ich das realsieren?

Mit str_replace oder muss ich eine Funktion schreiben?

<a href=http://www1.belboon.de/adtracking/xxxxxx.html" target="_blank">xxxxxx</a><img src="http://www1.belboon.de/adtracking/xxxxxx.img" border="0" width="1" height="1" />"

[Kropff]

Was meinst du? http://www1.belboon.de/adtracking/xxxxxx.html oder xxxxxx

Peter

[fireweasel]

Ich würde gerne aus diesem Bannercode nur die URL extrahieren.

Dein Beispiel-HTML-Ausschnitt enthält zwei URLs. Ich nehme mal an, du meinst die erste.

Alles andere kann weg. Wie kann ich das realsieren?

Am einfachsten mit preg_match().

Mit str_replace oder muss ich eine Funktion schreiben?

Str_replace() würde hier nicht helfen. Es auch oft nicht das, was der Anwender eigentlich wollte.

Eine eigene Funktion kannst du schreiben, wenn das deinen Quellcode übersichtlicher macht.

<a href=http://www1.belboon.de/adtracking/xxxxxx.html" target="_blank">xxxxxx</a><img src="http://www1.belboon.de/adtracking/xxxxxx.img" border="0" width="1" height="1" />"

Ich hoffe, das HTML bekommst du nicht so geliefert. Das href-Attribut, dessen Inhalt wir extrahieren wollen, spart sich am Anfang die Hochkommas, hat aber am Ende welche. Das verkompliziert das Suchmuster:

href=: Wir suchen zuerst nach "href=".
"?: Dann überspringen wir ein eventuell vorhandenes '"'.
(\S+?): Danach wird alles eingesammelt, was kein Leerzeichen ist.
(?=[\s>]): Die Suche bricht ab, wenn ein Leerzeichen oder ein ">" auftaucht.
"?: Dabei überspringen wir wieder ein eventuell auftauchendes '"'.

function url_extract(
    $htmlsoup,
    $decode_entities = true
) {
    $url = preg_match('/href="?(\S+?)"?(?=[\s>])/', $htmlsoup, $h) ? $h[1] : null;
    return $decode_entities
        ? htmlspecialchars_decode($url, ENT_QUOTES)
        : $url;
} 

In HTML eingebettete URLs enthalten manchmal speziell kodierte Zeichen. Htmlspecialchars_decode() sorgt dafür, dass die entsprechend dekodiert werden.

Ein einfacher Test zeigt die Funktionstüchtigkeit:

$tests = array (
    '<a href=http://www1.belboon.de/adtracking/xxxxxx.html" target="_blank">xxxxxx</a>',
    '<a href="http://www1.belboon.de/adtracking/xxxxxx.html" target="_blank">xxxxxx</a>',
    '<a href=http://www1.belboon.de/adtracking/xxxxxx.html target="_blank">xxxxxx</a>',
    '<a href=http://www1.belboon.de/adtracking/xxxxxx.html>',
    '<a href=http://www1.belboon.de/adtracking/xxxxxx.html?query&a&amp;b>',
);

foreach ($tests as $htmlsoup) {
    $url = url_extract($htmlsoup);
    var_dump($url);
} 

... und für komplexeres (X)HTML gibts übrigens Parser.