如何查找网站上的所有链接/页面
Posted
技术标签:
【中文标题】如何查找网站上的所有链接/页面【英文标题】:How to find all links / pages on a website 【发布时间】:2010-11-29 04:29:30 【问题描述】:是否可以在任何给定网站上找到所有页面和链接?我想输入一个 URL 并生成一个包含该站点所有链接的目录树?
我查看了 HTTrack,但它会下载整个站点,我只需要目录树。
【问题讨论】:
crawlmysite.in - 网站不存在 【参考方案1】:查看linkchecker——它会爬取网站(同时服从robots.txt
)并生成报告。从那里,您可以编写用于创建目录树的解决方案。
【讨论】:
非常感谢汉克!完美——正是我所需要的。非常感谢。 一个不错的工具。我之前使用的是“XENU 链接侦探”。 Linkchecker 更加冗长。 我自己该怎么做?如果网站中没有 robots.txt 怎么办? @MariusKavansky 您如何手动抓取网站?或者你如何构建一个爬虫?我不确定我是否理解你的问题。如果没有robots.txt
文件,那只是意味着你可以爬到你心中的内容。
大家好,当我扫描网站时,linkchecker 对我不起作用,它只返回断开链接的报告。非常小的报告。虽然确实如此,但他们检查了数千个链接,但我看不到这些链接的报告位置。使用 9.3 版可以请您帮忙吗?【参考方案2】:
如果您的浏览器中有开发者控制台 (javascript),您可以在以下位置键入此代码:
urls = document.querySelectorAll('a'); for (url in urls) console.log(urls[url].href);
缩短:
n=$$('a');for(u in n)console.log(n[u].href)
【讨论】:
“Javascript-ed”网址怎么样? 像什么?什么意思? 我的意思是使用 Javascript 完成的链接。您的解决方案不会显示它。 @ElectroBit 我真的很喜欢它,但我不确定我在看什么?$$
运算符是什么?或者只是an arbitrary function name, 与n=ABC(''a');
相同我不明白urls
如何获取所有'a' 标记元素。你可以解释吗?我假设它不是 jQuery。我们在说什么原型库函数?
@zipzit 在少数浏览器中,$$()
基本上是document.querySelectorAll()
的简写。此链接的更多信息:developer.mozilla.org/en-US/docs/Web/API/Document/…【参考方案3】:
另一种选择可能是
Array.from(document.querySelectorAll("a")).map(x => x.href)
$$(
更短
Array.from($$("a")).map(x => x.href)
【讨论】:
加 1 - 就像您正在使用现代 JS。我运行了这个程序,虽然它返回了一些链接,但它并没有返回顶层的所有 .html 页面。数组列表中没有返回所有页面是否有原因?谢谢【参考方案4】:如果这是一个编程问题,那么我建议您编写自己的正则表达式来解析所有检索到的内容。目标标签是标准 HTML 的 IMG 和 A。对于 JAVA,
final String openingTags = "(<a [^>]*href=['\"]?|<img[^> ]* src=['\"]?)";
这与 Pattern 和 Matcher 类一起应该检测标签的开头。如果您还想要 CSS,请添加 LINK 标记。
但是,这并不像您最初想象的那么容易。许多网页格式不正确。如果您需要考虑所有不规则表达式,那么以编程方式提取人类可以“识别”的所有链接真的很困难。
祝你好运!
【讨论】:
不不不不,don't parse HTML with regex,它让耶稣宝宝哭了!【参考方案5】:function getalllinks($url)
$links = array();
if ($fp = fopen($url, 'r'))
$content = '';
while ($line = fread($fp, 1024))
$content. = $line;
$textLen = strlen($content);
if ($textLen > 10)
$startPos = 0;
$valid = true;
while ($valid)
$spos = strpos($content, '<a ', $startPos);
if ($spos < $startPos) $valid = false;
$spos = strpos($content, 'href', $spos);
$spos = strpos($content, '"', $spos) + 1;
$epos = strpos($content, '"', $spos);
$startPos = $epos;
$link = substr($content, $spos, $epos - $spos);
if (strpos($link, 'http://') !== false) $links[] = $link;
return $links;
试试这个代码....
【讨论】:
虽然这个答案可能是正确且有用的,但最好在其中附上一些解释来解释它如何帮助解决问题。如果有更改(可能不相关)导致它停止工作并且用户需要了解它曾经是如何工作的,这在未来变得特别有用。 呃,有点长。 完全没有必要在 php.ini 中以这种方式解析 html。 php.net/manual/en/class.domdocument.phpPHP 确实有理解 DOM 的能力!以上是关于如何查找网站上的所有链接/页面的主要内容,如果未能解决你的问题,请参考以下文章