最近在做一个url缩写的服务，当然这个功能只是内部使用，并不对外开放；
研究用正则对页面的URL进行抓取后再对URL进行处理，但发觉无论多么NB的正则，都无法很好的把整个页面的URL给抓取下来；
主要存在以下几个问题：
1，处理特殊符号不当，如单引号，双引号，尖括号，”@”"&”符号；
2，处理https，ftp，带有端口号的url(http://www.site.com:8000)等特殊的url遇到错误；
3，会把诸如img标签，甚至background-image的文件也当成url给抓取下来；
4，越完美的抓取正则，执行效率就越让人崩溃，加上网络延迟，抓取门户网站首页链接，让我有种想砸键盘的冲动；
于是只得另觅它法；
在发文前，已找到了一个相对比较完美的方法，那就是用PHP自带的Dom Extension；
Dom Extension功能在PHP5.0以上是自带且默认开启的，所以不用做任何配置；
下面是实现代码(绿色)，很简单，而且执行效率很高，至于容错性嘛，至今我未发现有错误；
//获得HTML源代码
$html = file_get_contents(”http://www.sina.com.cn/”);
//用DOM加载HTML源代码
$dom = new DOMDocument();
@$dom->loadHTML($html);
//抓取页面URL
$xpath = new DOMXPath($dom);
//查找A节点
$hrefs = $xpath->evaluate(”/html/body//a”);
for ($i = 0; $i < $hrefs->length; $i++){
$href = $hrefs->item($i);
//获得href属性值
$url = $href->getAttribute(’href’);
echo $url.”<br />\n”; //打印url
}
很简单，最终测试结果，抓取sina首页url的总时间为219毫秒，Kuuuuul~。