link Extrator de Links (href) star

Como Funciona

Cole o código-fonte HTML — a saída de "ver código-fonte", o conteúdo de um arquivo .html salvo, ou qualquer trecho copiado — e a ferramenta entrega esse texto ao analisador HTML nativo do navegador, em vez de uma expressão regular escrita à mão. Essa diferença importa mais do que parece. O HTML do mundo real é confuso de maneiras que uma regex simples tem dificuldade em tratar: um atributo pode vir entre aspas duplas, aspas simples ou sem aspas alguma (href=sobre.html é tecnicamente HTML válido), uma tag pode se autofechar ou não, e as tags podem se aninhar em muitos níveis, se estender por várias linhas, ou estar dentro de comentários e blocos <script> que por si só contêm sinais de maior/menor. Um analisador de nível de navegador passou duas décadas absorvendo cada uma dessas exceções, porque precisa renderizar qualquer página que receba, por mais malformada que seja a marcação — construir o extrator sobre esse mesmo motor, em vez de reinventar o casamento de padrões para tags, é o que o torna confiável em marcação que você não escreveu, como uma página raspada de um concorrente ou uma exportação antiga de campanha.

Depois que o analisador constrói uma árvore estrutural a partir da marcação colada, o href de cada elemento <a> é lido diretamente como uma propriedade desse elemento, e não como texto bruto extraído de uma string — o que já evita as peculiaridades de aspas e os sinais de maior/menor perdidos dentro de comentários que poderiam enganar uma correspondência de padrão. A lista de URLs resultante é então filtrada para remover duplicatas e escrita uma por linha, pronta para copiar para a área de transferência ou baixar como arquivo de texto simples.

Exemplo concreto: o HTML de uma página contém <a href='/precos'>, <a href="https://exemplo.com/blog">, e um <a href=mailto:[email protected]> sem aspas nenhuma — três estilos de aspas diferentes em três linhas. Uma regex escrita para casar com href="..." perderia silenciosamente os casos entre aspas simples e sem aspas; o analisador lê os três da mesma forma, porque para um navegador eles são simplesmente valores de atributo, independentemente de como — ou se — estão entre aspas.

O Que Você Deve Saber

• URLs relativas como /precos ou ../blog/post são extraídas exatamente como escritas, sem serem resolvidas para endereços https://... completos. Transformar um caminho relativo em uma URL absoluta exige saber a URL base da página — normalmente o endereço de onde o HTML foi originalmente obtido, ou uma tag <base> explícita — e um trecho colado não carrega nenhum dos dois por conta própria.
• A ferramenta nunca busca uma URL por conta própria; ela apenas lê o HTML que você fornece. Esse é um limite deliberado: auditar os links de saída de uma página dessa forma não exige nenhuma requisição do lado do servidor deste site — apenas do navegador que você já usou para visualizar ou salvar o código-fonte.
• Links mailto: e tel: passam exatamente como qualquer outro href, já que o analisador não discrimina por esquema — tudo que estiver em um atributo href conta como um link a ser listado.