link Link (href) Çıkarıcı star

Nasıl Çalışır

HTML kaynağını yapıştırın — kaynağı görüntüle çıktısı, kaydedilmiş bir .html dosyası veya kopyalanmış herhangi bir parça — ve araç bu metni elle yazılmış bir düzenli ifade (regex) yerine tarayıcının kendi HTML ayrıştırıcısına teslim eder. Bu fark göründüğünden daha önemlidir. Gerçek dünyadaki HTML, saf bir regex'in zorlandığı şekillerde dağınıktır: bir öznitelik çift tırnak, tek tırnak veya hiç tırnak olmadan yazılabilir (href=about.html teknik olarak geçerli HTML'dir), bir etiket kendi kendini kapatabilir ya da kapatmayabilir, etiketler birçok seviye iç içe geçebilir, birden fazla satıra yayılabilir veya kendi içinde açı parantezi barındıran yorumlar ile <script> bloklarının içinde bulunabilir. Tarayıcı sınıfı bir ayrıştırıcı, bu uç durumların her birini yıllar içinde özümsemiştir — çünkü kendisine verilen sayfayı, işaretleme ne kadar bozuk olursa olsun render etmek zorundadır. Çıkarıcıyı etiketler için ayrıştırma mantığını yeniden icat etmek yerine bu aynı motor üzerine kurmak, sizin yazmadığınız işaretleme üzerinde — kazınmış bir rakip sayfası veya eski bir kampanya dışa aktarımı gibi — güvenilir olmasını sağlayan şeydir.

Ayrıştırıcı yapıştırılan işaretlemeden yapısal bir ağaç oluşturduktan sonra, her <a> öğesinin href'i, bir metin dizisinden çekilen ham metin olarak değil, doğrudan o öğenin bir özelliği olarak okunur — bu da tırnak tuhaflıklarını ve bir örüntü eşleşmesini yanıltabilecek yorumlar içindeki başıboş açı parantezlerini baştan devre dışı bırakır. Ortaya çıkan URL listesi ardından tekrarsızlaştırılır ve panoya kopyalanmaya veya düz metin dosyası olarak indirilmeye hazır şekilde her satıra bir tane yazılır.

Somut örnek: bir sayfanın HTML'i <a href='/fiyatlandirma'>, <a href="https://ornek.com/blog"> ve hiç tırnak içermeyen çıplak bir <a href=mailto:[email protected]> içeriyor olsun — üç satırda üç farklı tırnaklama stili. href="..." ile eşleşmek üzere yazılmış bir regex, tek tırnaklı ve tırnaksız durumları sessizce atlar; ayrıştırıcı ise üçünü de aynı şekilde okur, çünkü tarayıcı için bunlar tırnaklanma biçimlerinden bağımsız olarak sadece birer öznitelik değeridir.

Bilinmesi Gerekenler

• /fiyatlandirma veya ../blog/yazi gibi göreli URL'ler kaynakta yazıldığı gibi ayıklanır, tam https://... adreslerine çözülmez. Göreli bir yolu mutlak bir URL'ye dönüştürmek, sayfanın taban adresini bilmeyi gerektirir — genelde HTML'in ilk çekildiği adres veya açık bir <base> etiketi — ve yapıştırılan bir parça bunların hiçbirini kendiliğinden taşımaz.
• Araç kendiliğinden hiçbir URL çekmez; yalnızca sizin sağladığınız HTML'i okur. Bu kasıtlı bir sınırdır: bir sayfanın dış bağlantılarını bu şekilde denetlemek, bu sitenin tarafında hiçbir sunucu isteği gerektirmez — yalnızca kaynağı görüntülemek veya kaydetmek için zaten kullandığınız tarayıcı tarafında.
• mailto: ve tel: bağlantıları tıpkı diğer href değerleri gibi geçer, çünkü ayrıştırıcı şemaya göre ayrım yapmaz — bir href özniteliğinde duran her şey listelenmeye değer bir bağlantı sayılır.