您现在的位置：程式碼之家 >> 編程語言 > >> 網頁程式設計 >> PHP 程式設計 >> PHP 綜合知識

PHP 結合正則表達式批量抓取網頁 Email 地址實作

編輯：PHP 綜合知識

前言

從網頁原始碼提取 Email 地址是常見爬蟲需求。PHP preg_match_all() 搭配適當正則可快速完成。本文提供兩種實用寫法、正則細節解析與反爬蟲應對建議。

方法一：基本抓取並去重

<?php
$url = 'https://www.example.com';
$html = @file_get_contents($url);
if ($html === false) {
    die("無法取得網頁內容");
}

function extractEmails($content) {
    // RFC 5322 簡化版：支援常見格式，含子網域、多層 TLD
    $pattern = '/[a-z0-9._%+-]+@[a-z0-9.-]+\.[a-z]{2,}/i';
    preg_match_all($pattern, $content, $matches);
    // 去重並排序
    return array_unique($matches[0]);
}

$emails = extractEmails($html);
print_r($emails);
?>

方法二：針對特定頁面結構優化

若目標頁面 Email 集中在特定區塊（如聯絡我們頁），可先以 DOM 解析鎖定區塊再套用正則，減少誤判。

<?php
$url = 'https://www.example.com/contact';
$html = @file_get_contents($url);

$dom = new DOMDocument();
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_clear_errors();

$xpath = new DOMXPath($dom);
// 假設 Email 在 class="contact-info" 區塊
$nodes = $xpath->query('//div[contains(@class,"contact-info")]//text()');

$allText = '';
foreach ($nodes as $node) {
    $allText .= $node->nodeValue . ' ';
}

$pattern = '/[a-z0-9._%+-]+@[a-z0-9.-]+\.[a-z]{2,}/i';
preg_match_all($pattern, $allText, $matches);
$emails = array_unique($matches[0]);
print_r($emails);
?>

正則表達式深度解析

/[a-z0-9._%+-]+@[a-z0-9.-]+\.[a-z]{2,}/i

片段	說明
`[a-z0-9._%+-]+`	本地部：英數字、點、底線、百分號、加號、減號，至少一字元
`@`	必須包含單一 @ 符號
`[a-z0-9.-]+`	網域部：英數字、點、減號
`\.`	網域與 TLD 分隔點（跳脫）
`[a-z]{2,}`	頂級域：至少兩字母（com、tw、org、io...）
`i`	大小寫不敏感

注意： 此正則為實用簡化版，完整 RFC 5322 規範極其複雜（超過 6000 字元），實務上此版本覆蓋 99%+ 真實 Email。

進階：處理編碼混淆 Email

部分網頁為防爬蟲將 Email 編碼：

HTML 實體：user@example.com
JavaScript 字串拼接：'user' + '@' + 'example.com'
CSS 偽元素隱藏

解碼策略：

<?php
function decodeHtmlEntities($text) {
    return html_entity_decode($text, ENT_QUOTES, 'UTF-8');
}

// 針對 JS 簡單拼接可嘗試正則還原（僅示例，完整需 JS 引擎）
$text = decodeHtmlEntities($html);
// 移除 script/style 標籤內容避免干擾
$text = preg_replace('/<script.*?>.*?<\/script>/is', '', $text);
$text = preg_replace('/<style.*?>.*?<\/style>/is', '', $text);
?>