7 replies to this topic

[Pj Pedrosa]

Olá, pessoal!

Esta é minha primeira mensagem neste fórum.

Estou com o seguinte problema: criei um script que lê uma página externa (via file_get_contents). Minha ideia é inserir o conteúdo dessa página num banco de dados, mas nesse conteúdo existem algumas tags <img> e <a> com referências para arquivos locais. Então, preciso modificar o endereço dessas imagens e links para que elas apontem para o site original. Por exemplo:

Ao ler a página externa, tenho as seguintes tags:

<a href="arquivo-local.php">Link</a>
<img src="imagens/local.png" alt="Imagem" />

E, antes de inserir no banco de dados, preciso alterar para:

<a href="http://www.foo.com.br/arquivo-local.php" target="_blank">Link</a>
<img src="http://www.foo.com.br/imagens/local.png" alt="Imagem" />

Resumindo: preciso encontrar apenas os <a> e <img> com referências locais (existem alguns com referências externas tb) e inserir o endereço do site original neles.

Sei que preciso usar uma regex para fazer a substituição com preg_replace, mas não estou conseguindo acertar na regex

Alguém poderia ajudar?

[Paulo Freitas]

Adicionar uma tag base no cabeçalho da página resolve o problema:

<base href="http://www.foo.com.br/" />

Você pode usar a biblioteca DOM para adicionar a tag dentro do cabeçalho:

<?php

$opts = array(
    'http' => array(
        'user_agent' => 'PHP libxml agent',
    )
);

$context = stream_context_create($opts);
libxml_set_streams_context($context);
libxml_use_internal_errors(true);

$dom = new DOMDocument();
$dom->loadHTMLFile('http://forum.wmonline.com.br/');
$base = $dom->createElement('base');
$base->setAttribute('href', 'http://forum.wmonline.com.br/');
$head = $dom->getElementsByTagName('head');
$head->item(0)->appendChild($base);

print $dom->saveHTML();

?>

[]’sAté mais

[Pj Pedrosa]

Adicionar uma tag base no cabeçalho da página resolve o problema:

<base href="http://www.foo.com.br/" />

Você pode usar a biblioteca DOM para adicionar a tag dentro do cabeçalho:

Paulo, obrigado pela sua resposta!

Infelizmente adicionar um base na head não me ajuda... Eu já havia tentado fazer isso, mas após o conteúdo retirado do site externo, existem links locais para meu site. Daí, o base alteraria esses links tb... :/

[Paulo Freitas]

Infelizmente adicionar um base na head não me ajuda... Eu já havia tentado fazer isso, mas após o conteúdo retirado do site externo, existem links locais para meu site. Daí, o base alteraria esses links tb... :/

Se os links para o teu site são absolutos não há problema algum, a tag base só afeta os relativos. Se são relativos, nenhuma solução irá funcionar, ao menos da forma de que se está propondo.

[]’sAté mais

[Pj Pedrosa]

Consegui via regex mesmo

$html = preg_replace('/<(a|img)(.*)(href|src)=("|\')?(?!http:\/\/)(\/)?(.*)>/','<$1$2$3=$4http://www.foo.com.br/$6>',$html);

Obrigado pela ajuda!

[Paulo Freitas]

Expressão regular para esta finalidade é algo completamente falho, ainda mais ainda com esta ER que apresenta alto grau de imprecisão - isso é algo para qual as expressões regulares não foram feitas, por mais que alguns digam o contrário.
Ainda não entendi o porquê desse código funcionar e a tag base não - não faz o menor sentido. Se isso funciona, ela também funciona.

[]’s Até mais

[Pj Pedrosa]

Paulo, vou levar em consideração o que você disse. Fazendo testes com uma grande quantidade de dados notei algumas falhas que, a rigor, não deveriam acontecer.

Vou adotar a solução do "base href" e converter todos os links e imagens do meu site para caminhos absolutos. Obrigado pela ajuda!

[juninhoguitarr]

Amigo você pode disponibilizar o script pra gente, pois estou querendo desenvolver um site de busca mas nem faço idéia de por onde começar...

abraços.