從 HTML/文字中提取所有 URL,並將相對路徑(../、/、//、無協議)根據基準 URL 轉換為完整絕對 URL。
pageLinks()function pageLinks(string $html, string $baseUrl = '', bool $resolve = false): array {
preg_match_all('/<a.+?href=(["\'])(?!javascript:|#)(.+?)\1/i', $html, $m);
$links = $m[2] ?? [];
if ($resolve && $baseUrl && $links) {
$baseInfo = parse_url($baseUrl);
$baseDir = $baseInfo['scheme'] . '://' . $baseInfo['host'] . dirname($baseInfo['path']) . '/';
foreach ($links as $i => $link) {
if (str_starts_with($link, '../')) {
$depth = substr_count($link, '../');
$parts = explode('/', rtrim($baseDir, '/'));
array_splice($parts, -$depth);
$links[$i] = implode('/', $parts) . '/' . ltrim($link, '../');
} elseif (str_starts_with($link, '//')) {
$links[$i] = $baseInfo['scheme'] . ':' . $link;
} elseif (str_starts_with($link, '/')) {
$links[$i] = $baseInfo['scheme'] . '://' . $baseInfo['host'] . $link;
} elseif (!preg_match('~^https?://~i', $link)) {
$links[$i] = $baseDir . $link;
}
}
}
return $links;
}
$url = 'https://www.example.com/path/page.html';
$html = file_get_contents($url);
$relative = pageLinks($html); // 原始連結
$absolute = pageLinks($html, $url, true); // 解析為絕對 URL
print_r($absolute);
DOMDocument + DOMXPath 遍歷 //a/@href,再用 parse_url 解析合成。<base href="..."> 標籤影響相對路徑基準。