PHP 從網頁內容中提取 URL、Email、圖片的工具類

在爬蟲、內容分析、數據清洗等場景中，常需要從 HTML 頁面中提取鏈接、郵箱、圖片等結構化信息。本文提供一個封裝良好的 Grep 類，支持提取與替換三類核心內容，基於正則表達式實現，靈活易擴展。

功能特性

• 提取： 獲取頁面中所有 URL、Email、Image 標籤的 src 屬性。
• 去重： 可選返回唯一值列表。
• 替換： 支持自定義回調函數替換匹配內容（如將 URL 轉為短鏈、圖片加水印標記等）。

類結構設計

<?php
/**
 * Grep 類：從 HTML 字符串中提取/替換 URL、Email、Image
 * @author fdipzone
 * @version 1.0
 */
class Grep {
    // 內部正則模式（私有，防止外部誤改）
    private $_pattern = array(
        'url'   => '/<a.*?href="((http(s)?:\/\/).*?)".*?/si',
        'email' => '/([\w\-\.]+@[\w\-\.]+(\.\w+)+)/',
        'image' => '/<img.*?src="(https?:\/\/.+?\.(jpg|jpeg|gif|bmp|png))"/i'
    );

    private $_content = ''; // 待處理的 HTML 內容

    /**
     * 設置源內容
     * @param string $content
     */
    public function set($content = '') {
        $this->_content = $content;
    }

    /**
     * 獲取指定類型的內容
     * @param string $type 類型：url, email, image
     * @param int $unique 0=全部, 1=去重
     * @return array
     */
    public function get($type = '', $unique = 0) {
        $type = strtolower($type);
        if ($this->_content === '' || !isset($this->_pattern[$type])) {
            return array();
        }
        $pattern = $this->_pattern[$type];
        preg_match_all($pattern, $this->_content, $matches);
        $result = isset($matches[1]) ? $matches[1] : array();
        return $unique ? array_unique($result) : $result;
    }

    /**
     * 替換指定類型的內容
     * @param string $type
     * @param callable $callback 回調函數，接收 $matches 返回替換字符串
     * @return string 替換後的 HTML
     */
    public function replace($type = '', $callback = '') {
        $type = strtolower($type);
        if ($this->_content === '' || !isset($this->_pattern[$type]) || !$callback) {
            return $this->_content;
        }
        return preg_replace_callback($this->_pattern[$type], $callback, $this->_content);
    }
}
?>

使用示例

<?php
header('Content-Type: text/html; charset=utf-8');
require('Grep.class.php');

// 獲取遠程頁面內容（實際項目建議用 cURL 並設置超時）
$html = file_get_contents('https://www.example.com/');

$grep = new Grep();
$grep->set($html);

// 1. 提取所有鏈接（不去重）
$urls = $grep->get('url', 0);
print_r($urls);

// 2. 提取郵箱（去重）
$emails = $grep->get('email', 1);
print_r($emails);

// 3. 提取圖片鏈接（去重）
$images = $grep->get('image', 1);
print_r($images);

// 4. 替換鏈接：將 <a href="...">...</a> 替換為 [url]...[/url] 格式
$new_html = $grep->replace('url', 'replace_url_callback');
echo $new_html;

function replace_url_callback($matches) {
    return isset($matches[1]) ? '[url]'.$matches[1].'[/url]' : '';
}
?>

正則模式說明與優化建議

增強版正則建議（更健壯）

private $_pattern = array(
    'url'   => '/<a\s[^>]*href\s*=\s*["\']?([^"\'\s>]+)["\']?/si', // 支持單雙引號、無引號
    'email' => '/\b[\w\-\.]+@[\w\-\.]+\.\w{2,}\b/', // 詞邊界限定，減少誤匹配
    'image' => '/<img\s[^>]*src\s*=\s*["\']?([^"\'\s>]+\.(?:jpg|jpeg|gif|png|webp|bmp))["\']?/i' // 支持 WebP、單雙引號
);

擴展思路

• 增加 phone、id_card、ip 等提取模式。
• 結合 DOMDocument 解析 HTML，比正則更可靠處理巢狀、屬性順序不固定等情況。
• 添加緩存機制，避免重複抓取同一 URL。

該類為輕量級提取需求提供了清晰的 OOP 介面，適合中小型爬蟲、內容審核、編輯器過濾等場景。生產環境建議配合 DOM 解析器使用，提升魯棒性。