HTML文書内の相対URLを絶対URLに変換する方法

質問

現在，PHPを使って擬似的なプロクシサーバーを作成しています．
動作としては，フォームにURLを入力し，送信，受け取ったPHP側でfile_get_contentsでHTMLデータを受信し，それを出力する物です．

ところが，当然ではありますが相対URLでリンクされていると，その画像やリンク先に遷移することができません．
そこで，リンクをすべて絶対URLに置き換えたいのですが，現在では上手く置き換わりません．（置き換わらない例：https://ssl.kakaku.com/auth/id/login.asp の画像の一部など）
どなたかご教授いただけると幸いです．
よろしくお願いします．

なお，現在の処理は以下のようになっています．
使用関数 HTMLSQL,make_url(下記URLにあるgetAbsURL関数)
http://www.jonasjohn.de/lab/htmlsql.htm
http://www.phppro.jp/qa/2290
---------------------------------------------------------

// HTMLSQLオブジェクトの生成
$htmlsqlObj = new htmlsql();

// 相対URLのリンクを絶対URLへ変換
if(!$htmlsqlObj->connect("string",$html_data)) {
error("エラー",__LINE__);
}
// 絶対URL化ターゲットタグ
$target_tags = array("a"=>"href","link"=>"href","img"=>"src","form"=>"action","script"=>"src","input"=>"src");
$i =0;
while(list($key,$val) = each($target_tags)) {
if(!$htmlsqlObj->query("SELECT {$val} FROM {$key}")) {
error("エラー",__LINE__);
}
$link_array[$i] = $htmlsqlObj->fetch_array();
$i++;
}

// 絶対URL変換
for($i = 0;$i < count($link_array);$i++) {
for($j = 0;$j < count($link_array[$i]);$j++) {
while(list($key,$val) = each($link_array[$i][$j])) {
// 相対パス以外を排除
if(!preg_match("/(http:\/\/)|(ftp:\/\/)|(mailto:)|#/",$val) && $val != "/" && $val != "") {
// 絶対URL化
$full_url = make_url($url,$val);
$val_new = preg_quote($val,"/");
$html_data = preg_replace("/{$val_new}/",$full_url,$html_data);
}

}
}
}

回答No.3

hogehoge78 · ベストアンサー

preg_matchに、「https://」を条件入れ忘れてるのが原因だと思います。

ちなみに、
http://simplehtmldom.sourceforge.net/
このようなものもありますので、今回の要件であればこちらのほうが使いやすいのではないでしょうか。
htmlSQLがHTMLをSQLのように取得できるのに対して、こちらはjQueryのように取得することが出来、検索した条件に値を挿入してその結果を返すことが出来るため、今回のようなpreg_replaceで書き換える手間が減るかと思います。

お礼

おお．このような物があったのですね．試してみます．
結局のところ，すでに置き換えた属性：値の組み合わせを配列化し，置き換えの組み合わせを複数回行わないようにしたことでとりあえず解決しました．（ただ，これだとバグが残るので，根本的な解決にはなっていないのですがｗ）
preg_matchにhttpsが抜けていたのはただのミスでしたね．

いろいろと情報ありがとうございました．
とりあえず，頂いたURLのライブラリを試してみます．

回答No.2

hogehoge78

表示できてない場合の、取得して変換した後のHTMLソースはどのようになっているのでしょうか。

変換自体がされていないのであれば、preg_matchのところで条件漏れがあるのでしょうから、一度、$valに直接その文字を入れてみて、マッチするまで繰り返してみるとか。
後は、htmlSQLが漏れを発生させている場合もあるのでそちらも確認したほうが良いかと思います。特にSJISとか文字コードで上手いこと行かない場合があります。（英語圏のライブラリとかだと結構ある）

余談ですが、<base url="">といったタグで、HTML中の相対パスのベースパスを明示的に決めることが出来るのですがコレを考慮していないと上手く表示されません。（今回の価格.comでは使ってませんでしたが。）

お礼

https://ssl.kakaku.com<あと11回繰り返し>/images/cell.gif

補足では途中で切れてしまいましたが，https://ssl.kakaku.comという文字列が12回続いた後，/image/cell.gifがくっついています．

補足

価格サイト内「価格.com IDまたはパスワードを忘れた場合はこちらへ」のすぐ左にあるアイコンのURLが

/images/arrow_home.gif

↓

https://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.comhttps://ssl.kakaku.com/images/cell.gif

と置き換わってしまっています．
ループの部分で何度もマッチしてしまっているというのは分かるのですが，どのように解決すればいいのかがよく分かりません．
よろしくお願いします．
（baseタグを忘れていました．htmlSQLの条件に追加します．）

回答No.1

oraora777

ソース適当にしか読んでないけど
これ、別ファイルになっているスタイルシートの扱いはどなっている?

補足

相対パスで描かれている外部CSSなどもmake_urlで絶対URL化しています．