URL抽出

質問

指定したURLのソースから<A HREF="～">タグの"～"部分を抜き出してリスト化するようなURL抽出ツールを作りたいのですが、どのようにプログラムを書けばよいのかわからずに困っています。

わかるかた、回答のほどをよろしくお願いします。

回答No.1

Oh-Orange · ベストアンサー

★アドバイス
・一番簡単な方法は『http://』文字列を strstr() 関数で検索します。
　その後、ダブルクォーテーション文字までを抽出します。
　シングルクォーテーション文字の場合もあるのでこれにも対応するように。
・下に簡単なサンプルを載せます。

サンプル:
char buff[ 1024 ];
char *find;

// ファイルから読み込む
while ( fgets(buff,sizeof(buff),fp) != NULL ){
　if ( (find = strstr(buff,"http://")) != NULL ){
　　for ( ; *find != '\0' ; find++ ){
　　　if ( (*find == '\'') || (*find == '\"') ){
　　　　break;
　　　}
　　　putchar( *find );
　　}
　　putchar( '\n' );
　}
}

回答No.2

jacta

普通に考えると、正規表現を使うことになるでしょうね。
私の場合、最近では純粋な正規表現ではなく、Boost.Spiritを使っていますが、この辺りは好みや慣れ親しんだものもあるので、どれがよいとは一概には言えません。

なお、"http://" を探索するだけでは不十分かと思います。"https://" は無視してよいのかどうかわかりませんし、CGIやPHPのパラメータにその文字列が含まれていた場合、本文中に http:// の記載があった場合、IMGタグなど、Aタグ以外に現れた場合などは、期待した結果にならないからです。