PHP 将相对路径转成绝对路径【正则表达式处理】

学习笔记马富天 2016-12-02 09:37:36 136 1

【摘要】很多时候在做网络爬虫的时候特别需要将爬虫搜索到的超链接进行处理，统一都改成绝对路径的，本文写一个正则表达式来对搜索到的链接进行处理。

通常我们可能会搜索到如下的链接：

<!-- 空超链接 -->

<a href=""></a>

<!-- 空白符 -->

<a href=" "> </a>

<!-- a标签含有其它属性 -->

<a href="index.html" alt="超链接"> index.html </a>

<a href="/" target="_blank"> / target="_blank" </a>

<a target="_blank" href="/" alt="超链接" > target="_blank" / alt="超链接" </a>

<a target="_blank" title="超链接" href="/" alt="超链接" > target="_blank" title="超链接"	 / alt="超链接" </a>

<!-- 根目录 -->

<a href="/"> / </a>

<a href="a"> a </a>

<!-- 含参数 -->

<a href="/index.html?id=1"> /index.html?id=1 </a>

<a href="?id=2"> ?id=2 </a>

<!-- // -->

<a href="//index.html"> //index.html </a>

<a href="//www.mafutian.net"> //www.mafutian.net </a>

<!-- 站内链接 -->

<a href="http://www.hole_1.com/index.html"> http://www.hole_1.com/index.html </a>

<!-- 站外链接 -->

<a href="http://www.mafutian.net"> http://www.mafutian.net </a>

<a href="http://www.numberer.net"> http://www.numberer.net </a>

<!-- 图片，文本文件格式的链接 -->

<a href="1.jpg"> 1.jpg </a>

<a href="1.jpeg"> 1.jpeg </a>

<a href="1.gif"> 1.gif </a>

<a href="1.png"> 1.png </a>

<a href="1.txt"> 1.txt </a>

<!-- 普通链接 -->

<a href="index.html"> index.html </a>

<a href="index.html"> index.html </a>

<a href="./index.html"> ./index.html </a>

<a href="../index.html"> ../index.html </a>

<a href=".../"> .../ </a>

<a href="..."> ... </a>

<!-- 非链接，含有链接冒号 -->

<a href="javascript:void(0)"> javascript:void(0) </a>

<a href="a:b"> a:b </a>

<a href="/a#a:b"> /a#a:b </a>

<a href="mailto:'mafutian@126.com'"> mailto:'mafutian@126.com' </a>

<a href="/tencent://message/?uin=335134463"> /tencent://message/?uin=335134463 </a>

<!-- 相对路径 -->

<a href="."> . </a>

<a href=".."> .. </a>

<a href="../"> ../ </a>

<a href="/a/b/.."> /a/b/.. </a>

<a href="/a"> /a </a>

<a href="./b"> ./b </a>

<a href="./././././././././b"> ./././././././././b </a> <!-- 其实就是 ./b -->

<a href="../c"> ../c </a>

<a href="../../d"> ../../d </a>

<a href="../a/../b/c/../d"> ../a/../b/c/../d </a>

<a href="./../e"> ./../e </a>

<a href="http://www.hole_1.org/./../e"> http://www.hole_1.org/./../e </a>

<a href="./.././f"> ./.././f </a>

<a href="http://www.hole_1.org/../a/.../../b/c/../d/.."> http://www.hole_1.org/../a/.../../b/c/../d/.. </a>

<!-- 带有端口号 -->

<a href=":8081/index.html"> :8081/index.html </a>

<a href="http://www.mafutian.net:80/index.html"> :80/index.html </a>

<a href="http://www.mafutian.net:8081/index.html"> http://www.mafutian.net:8081/index.html </a>

<a href="http://www.mafutian.net:8082/index.html"> http://www.mafutian.net:8082/index.html </a>

处理的第一步，设置成绝对路径：

http:// ... / ../ ../

然后本文讲讲如何去除绝对路径中的 './'、'../'、'/..'的实现代码：

function url_to_absolute($relative)

	$absolute = '';

	//	去除所有的 './'

	$absolute = preg_replace('/(?<!\.)\.\//','',$relative);

	$count = preg_match_all('/(?<!\/)\/([^\/]{1,}?)\/\.\.\//',$absolute,$res);

	//	迭代去除所有的 '/abc/../'

do

		$absolute = preg_replace('/(?<!\/)\/([^\/]{1,}?)\/\.\.\//','/',$absolute);

		$count = preg_match_all('/(?<!\/)\/([^\/]{1,}?)\/\.\.\//',$absolute,$res);

	}while($count >= 1);

	//	除去最后的 '/..'

	$absolute = preg_replace('/(?<!\/)\/([^\/]{1,}?)\/\.\.$/','/',$absolute);

	$absolute = preg_replace('/\/\.\.$/','',$absolute);

	//	除去存在的 '../'

	$absolute = preg_replace('/(?<!\.)\.\.\//','',$absolute);

	return $absolute;

$relative = 'http://www.mytest.org/../a/.../../b/c/../d/..';

var_dump(url_to_absolute($relative));

//	输出：string 'http://www.mytest.org/a/b/' (length=26)

转载请务必注明出处，小生将不胜感激，谢谢! 喜欢本文或觉得本文对您有帮助，请分享给您的朋友 ^_^

顶0

踩0