需要为链接解析 HTML 文档——使用 html5lib 之类的库或其他库？答案

【问题标题】：Need to parse HTML document for links-- use a library like html5lib or something else?需要为链接解析 HTML 文档——使用 html5lib 之类的库或其他库？
【发布时间】：2012-09-07 15:14:01
【问题描述】：

我是一个非常新手的网页构建器，目前正在创建一个需要根据目标页面更改链接颜色的网站。链接将按某些用户输入标准分类为不同的类别（例如好、坏、中性）——例如用户感兴趣的内容的链接是蓝色的，用户（可能）不想看到的内容是普通文本，等等。

我认为我需要一种方法来解析网页内容的链接（存储在 MySQL 数据库中），更改页面上所有链接的颜色（因此我需要能够更改 HTML 中的链接类以及）在将调整后的页面输出给用户之前。我读到正则表达式不是找到这些链接的好方法——所以我应该使用一个库，如果是这样，html5lib 对我正在做的事情有好处吗？

【问题讨论】：

您是在尝试检查现有的 HTML，还是在生成新的 HTML？听起来好像您正在尝试阅读现有页面，然后根据您阅读的内容生成一个新页面？
可能重复：stackoverflow.com/questions/3577641/…
我需要检查现有的 HTML，然后从中生成一个新页面，是的。我读过那篇文章，答案是我一直在寻找的。现在我需要弄清楚如何使用该库仅在正文中查找标记...
@Luinithil DOMDocument::getElementsByTagName() 就是你所需要的。
@ernie 不是重复的，他想编辑 DOM 节点，而不仅仅是从中提取信息。

标签： php html-parsing html5lib

【解决方案1】：

没有必要让 PHP HTML 解析器复杂化，它会破坏并强制“修复”您的输入 HTML。

您可以通过以下方式将 PHP 与 javascript 结合使用，完整的工作和测试解决方案：

<?php
$arrBadLinks=array(
    "http://localhost/something.png",
    "https://www.apple.com/something.png",
);
$arrNeutralLinks=array(
    "http://www.microsoft.com/index.aspx",
    "ftp://samewebsiteasyours.com",
    "ftp://samewebsiteasyours.net/file.txt",
);
?>
<html>
    <head>
        <script>
        function colorizeLinks()
        {
            var arrBadLinks=<?php echo json_encode($arrBadLinks);?>;
            var arrNeutralLinks=<?php echo json_encode($arrNeutralLinks);?>;

            var nodeList=document.getElementsByTagName("*");
            for(var n=nodeList.length-1; n>0; n--)
            {
                var el=nodeList[n];

                if(el.nodeName=="A")
                {
                    if(arrBadLinks.indexOf(el.href)>-1)
                        el.style.color="red";
                    else if(arrNeutralLinks.indexOf(el.href)>-1)
                        el.style.color="green";
                    else
                        el.style.color="blue";
                }
            }
        }

        if(window.addEventListener)
            window.addEventListener("load", colorizeLinks, false);
        else if (window.attachEvent)
            window.attachEvent("onload", colorizeLinks);
        </script>
    </head>
    <body>
        <p>
            <a href="http://www.microsoft.com/index.aspx">Neutral www.microsoft.com/index.aspx</a>
        </p>
        <p>
            <a href="http://localhost/something.png">Bad http://localhost/something.png</a>
        </p>
    </body>
</html>

不适用于相对 URL，请确保将它们设为绝对，否则比较将失败（或更新代码以填写现有相对 URL 的 http://current-domain.xxx）。

【讨论】：

还要注意，服务器上的压力为 0。所有处理都在客户端完成（在客户端之间平均分配，你还能要求什么？）。
这没有回答问题，需要解析现有的 HTML，然后重写
@ernie 该问题要求提供一种为链接着色的解决方案。我提供的解决方案使用已经解析的 DOM（由浏览器），遍历它，为锚点添加颜色。它是完整的工作代码（你想用任何你想要的 HTML 运行它吗？）。解析现有的 HTML 由浏览器完成（您对解析 HTML 感到高兴吗？）。
很公平。 . .我觉得它从字面上回答了这个问题，但没有回答问题的精神，因为听起来好像他想解析第三方网页然后重写它，但也许我假设太多了。他还提到了更改类属性，您的答案没有直接解决（尽管在那里修改 DOM 也很容易）
.className="..." :) 可能 PHP 解析器会以同样的方式允许它。