3

我正在尝试向用户显示一个网站,并使用 php 下载了它。这是我正在使用的脚本:

<?php
$url = 'http://stackoverflow.com/pagecalledjohn.php';
//Download page
$site = file_get_contents($url);
//Fix relative URLs
$site = str_replace('src="','src="' . $url,$site);
$site = str_replace('url(','url(' . $url,$site);
//Display to user
echo $site;
?>

到目前为止,除了 str_replace 函数的一些主要问题之外,这个脚本可以很好地工作。问题来自相对网址。如果我们在我们制作的页面上使用一张名为 john.php 的猫的图片(类似这样的:)猫。它是一个 png,正如我所见,它可以使用 6 个不同的 url 放置在页面上:

1. src="//www.stackoverflow.com/cat.png"
2. src="http://www.stackoverflow.com/cat.png"
3. src="https://www.stackoverflow.com/cat.png"
4. src="somedirectory/cat.png" 

4 在这种情况下不适用,但无论如何都添加了!

5. src="/cat.png"
6. src="cat.png"

有没有办法,使用 php,我可以搜索 src=" 并将其替换为正在下载的页面的 url(文件名已删除),但如果它是选项 1,2 或 3 并稍微更改程序,则无需在其中粘贴 url对于 4,5 和 6?

4

3 回答 3

9

与其尝试更改源代码中的每个路径引用,不如简单地<base>在标头中注入一个标签来专门指示应该计算所有相对 URL 的基本 URL?

https://developer.mozilla.org/en-US/docs/Web/HTML/Element/base

这可以使用您选择的 DOM 操作工具来实现。下面的示例将展示如何使用 DOMDocument 和相关类来执行此操作。

$target_domain = 'http://stackoverflow.com/';
$url = $target_domain . 'pagecalledjohn.php';
//Download page
$site = file_get_contents($url);
$dom = DOMDocument::loadHTML($site);

if($dom instanceof DOMDocument === false) {
    // something went wrong in loading HTML to DOM Document
    // provide error messaging and exit
}

// find <head> tag
$head_tag_list = $dom->getElementsByTagName('head');
// there should only be one <head> tag
if($head_tag_list->length !== 1) {
    throw new Exception('Wow! The HTML is malformed without single head tag.');
}
$head_tag = $head_tag_list->item(0);

// find first child of head tag to later use in insertion
$head_has_children = $head_tag->hasChildNodes();
if($head_has_children) {
    $head_tag_first_child = $head_tag->firstChild;
}

// create new <base> tag
$base_element = $dom->createElement('base');
$base_element->setAttribute('href', $target_domain);

// insert new base tag as first child to head tag
if($head_has_children) {
    $base_node = $head_tag->insertBefore($base_element, $head_tag_first_child);
} else {
    $base_node = $head_tag->appendChild($base_element);
}

echo $dom->saveHTML();

至少,如果您真的想修改源代码中的所有路径引用,我强烈建议您使用 DOM 操作工具(DOMDOcument、DOMXPath 等)而不是正则表达式。我想你会发现它是一个更稳定的解决方案。

于 2015-04-07T21:10:41.470 回答
2

我不知道我是否完全正确地回答了您的问题,如果您想处理包含在src="and"中的所有文本序列,则可以使用以下模式:

~(\ssrc=")([^"]+)(")~

它具有三个捕获组,其中第二个包含您感兴趣的数据。第一个和最后一个对于更改整个匹配很有用。

现在,您可以使用正在更改位置的回调函数替换所有实例。我创建了一个简单的字符串,其中包含您拥有的所有 6 个案例:

$site = <<<BUFFER
1. src="//www.stackoverflow.com/cat.png"
2. src="http://www.stackoverflow.com/cat.png"
3. src="https://www.stackoverflow.com/cat.png"
4. src="somedirectory/cat.png"
5. src="/cat.png"
6. src="cat.png"
BUFFER;

让我们暂时忽略没有周围的 HTML 标记,无论如何您都不会解析 HTML,我敢肯定,因为您没有要求 HTML 解析器,而是要求正则表达式。在以下示例中,中间的匹配项(URL)将被括起来,以便清楚地匹配:

所以现在要替换每个链接,让我们从字符串中突出显示它们开始。

$pattern = '~(\ssrc=")([^"]+)(")~';

echo preg_replace_callback($pattern, function ($matches) {
    return $matches[1] . ">>>" . $matches[2] . "<<<" . $matches[3];
}, $site);

然后给出的示例的输出是:

1. src=">>>//www.stackoverflow.com/cat.png<<<"
2. src=">>>http://www.stackoverflow.com/cat.png<<<"
3. src=">>>https://www.stackoverflow.com/cat.png<<<"
4. src=">>>somedirectory/cat.png<<<"
5. src=">>>/cat.png<<<"
6. src=">>>cat.png<<<"

由于要改变替换字符串的方式,所以可以提取出来,所以更容易改变:

$callback = function($method) {
    return function ($matches) use ($method) {
        return $matches[1] . $method($matches[2]) . $matches[3];
    };
};

此函数根据您作为参数传递的替换方法创建替换回调。

这样的替换函数可以是:

$highlight = function($string) {
    return ">>>$string<<<";
};

它被称为如下:

$pattern = '~(\ssrc=")([^"]+)(")~';
echo preg_replace_callback($pattern, $callback($highlight), $site);

输出保持不变,这只是为了说明提取是如何工作的:

1. src=">>>//www.stackoverflow.com/cat.png<<<"
2. src=">>>http://www.stackoverflow.com/cat.png<<<"
3. src=">>>https://www.stackoverflow.com/cat.png<<<"
4. src=">>>somedirectory/cat.png<<<"
5. src=">>>/cat.png<<<"
6. src=">>>cat.png<<<"

这样做的好处是,对于替换功能,您只需将 URL 匹配作为单个字符串处理,而不是针对不同组的正则表达式匹配数组。

现在到你问题的后半部分:如何用特定的 URL 处理替换它,比如删除文件名。这可以通过解析 URL 本身并从路径组件中删除文件名(基本名称)来完成。由于提取,您可以将其放入一个简单的函数中:

$removeFilename = function ($url) {
    $url  = new Net_URL2($url);
    $base = basename($path = $url->getPath());
    $url->setPath(substr($path, 0, -strlen($base)));
    return $url;
};

此代码使用Pear 的 Net_URL2 URL 组件(也可通过 Packagist 和 Github 获得,您的操作系统包也可能有它)。它可以轻松解析和修改 URL,因此很适合这项工作。

所以现在用新的 URL 文件名替换功能完成了替换:

$pattern = '~(\ssrc=")([^"]+)(")~';
echo preg_replace_callback($pattern, $callback($removeFilename), $site);

结果是:

1. src="//www.stackoverflow.com/"
2. src="http://www.stackoverflow.com/"
3. src="https://www.stackoverflow.com/"
4. src="somedirectory/"
5. src="/"
6. src=""

请注意,这是示例性的。它展示了如何使用正则表达式来实现它。但是,您也可以使用 HTML 解析器来处理它。让我们把它变成一个实际的 HTML 片段:

1. <img src="//www.stackoverflow.com/cat.png"/>
2. <img src="http://www.stackoverflow.com/cat.png"/>
3. <img src="https://www.stackoverflow.com/cat.png"/>
4. <img src="somedirectory/cat.png"/>
5. <img src="/cat.png"/>
6. <img src="cat.png"/>

然后使用创建的替换过滤器函数处理所有<img>“ ”属性:src

$doc   = new DOMDocument();
$saved = libxml_use_internal_errors(true);
$doc->loadHTML($site, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
libxml_use_internal_errors($saved);

$srcs = (new DOMXPath($doc))->query('//img/@hsrc') ?: [];
foreach ($srcs as $src) {
    $src->nodeValue = $removeFilename($src->nodeValue);
}

echo $doc->saveHTML();

结果又是:

1. <img src="//www.stackoverflow.com/cat.png">
2. <img src="http://www.stackoverflow.com/cat.png">
3. <img src="https://www.stackoverflow.com/cat.png">
4. <img src="somedirectory/cat.png">
5. <img src="/cat.png">
6. <img src="cat.png">

只是使用了一种不同的解析方式——替换仍然是相同的。只是为了提供两种不同的方式,它们也部分相同。

于 2015-04-07T21:01:45.433 回答
1

我建议做更多的步骤。

为了不使解决方案复杂化,我们假设任何 src 值始终是图像(它也可以是其他东西,例如脚本)。另外,让我们假设等号和引号之间没有空格(如果有的话,这可以很容易地修复)。最后,假设文件名不包含任何转义引号(如果包含,正则表达式会更复杂)。因此,您将使用以下正则表达式来查找所有图像引用: src="([^"]*)". (此外,这不包括 src 用单引号括起来的情况。但很容易为此创建一个类似的正则表达式。)

但是,处理逻辑可以使用preg_replace_callback函数完成,而不是str_replace. 您可以为此函数提供回调,其中每个 url 都可以根据其内容进行处理。

所以你可以做这样的事情(未经测试!):

$site = preg_replace_callback(
    'src="([^"]*)"',
    function ($src) {
           $url = $src[1];
           $ret = "";
           if (preg_match("^//", $url)) {
               // case 1.
               $ret = "src='" . $url . '"';
           }
           else if (preg_match("^https?://", $url)) {
               // case 2. and 3.
               $ret = "src='" . $url . '"';
           }
           else {
               // case 4., 5., 6.
               $ret = "src='http://your.site.com.com/" . $url . '"';
           }
           return $ret;
    },
    $site
);
于 2015-04-07T20:57:50.880 回答