link Extracteur de liens (href) star

Comment ça fonctionne

Collez le code source HTML — le résultat d'un « afficher la source », un fichier .html enregistré ou n'importe quel extrait copié — et l'outil confie ce texte à l'analyseur HTML natif du navigateur plutôt qu'à une expression régulière écrite à la main. Cette différence compte plus qu'il n'y paraît. Le HTML du monde réel est désordonné d'une façon qu'un regex naïf gère mal : un attribut peut être entouré de guillemets doubles, simples, ou d'aucun guillemet du tout (href=about.html est techniquement du HTML valide), une balise peut être auto-fermante ou non, et les balises peuvent s'imbriquer sur de nombreux niveaux, s'étendre sur plusieurs lignes, ou se cacher dans des commentaires et des blocs <script> qui contiennent eux-mêmes des chevrons. Un analyseur de qualité navigateur a passé deux décennies à absorber chacun de ces cas particuliers, car il doit rendre n'importe quelle page qu'on lui soumet, aussi mal formé que soit le balisage — construire l'extracteur sur ce même moteur, plutôt que de réinventer la reconnaissance de motifs pour les balises, est ce qui le rend fiable sur un balisage que vous n'avez pas écrit vous-même, comme une page concurrente aspirée ou un vieil export de campagne.

Une fois que l'analyseur a construit un arbre structurel à partir du balisage collé, le href de chaque élément <a> est lu directement comme une propriété de cet élément plutôt que comme du texte brut extrait d'une chaîne de caractères — ce qui contourne d'emblée les subtilités de guillemetage et les chevrons égarés dans des commentaires qui pourraient autrement tromper une recherche par motif. La liste d'URL obtenue est ensuite dédupliquée et écrite une par ligne, prête à être copiée dans le presse-papiers ou téléchargée en fichier texte brut.

Exemple concret : le HTML d'une page contient <a href='/tarifs'>, <a href="https://exemple.com/blog">, et un <a href=mailto:[email protected]> nu, sans aucun guillemet — trois styles de guillemetage différents en trois lignes. Un regex écrit pour reconnaître href="..." manquerait silencieusement les cas à guillemets simples et sans guillemet ; l'analyseur, lui, lit les trois de façon identique, car pour un navigateur ce ne sont que des valeurs d'attribut, indépendamment de la façon — ou non — dont elles sont guillemetées.

Ce qu'il faut savoir

• Les URL relatives comme /tarifs ou ../blog/article sont extraites telles qu'écrites, sans être résolues en adresses https://... complètes. Transformer un chemin relatif en URL absolue exige de connaître l'URL de base de la page — normalement l'adresse depuis laquelle le HTML a été récupéré à l'origine, ou une balise <base> explicite — et un extrait collé ne porte ni l'une ni l'autre de lui-même.
• L'outil ne récupère jamais d'URL par lui-même ; il ne fait que lire le HTML que vous fournissez. C'est une limite volontaire : auditer les liens sortants d'une page de cette façon ne nécessite aucune requête côté serveur de ce site, seulement le navigateur que vous avez déjà utilisé pour afficher ou enregistrer la source.
• Les liens mailto: et tel: passent exactement comme n'importe quel autre href, car l'analyseur ne fait aucune distinction selon le schéma — tout ce qui se trouve dans un attribut href compte comme un lien à lister.