URLs aus HTML Datei extrahieren

[Jaskur]

Was wäre wohl die beste Herangehensweise für das Extrahieren von URLs aus einer HTML Datei?

Mein Ziel wäre es, sämtliche Urls zu extrahieren (Absolute und Relative).
Egal ob sie in einem <a> Tag einem <script> Tag,als stylesheet Import oder innerhalb eines Javascripts vorkommen.

Beispiele:

@import url("http://site.com/modules/search/search.css?livi2r");

<script type="text/javascript" src="http://site.com/misc/drupal.js?livi2r"></script>

<a href="index.html" title="Site">Site</a>

Mit regulären Ausdrücken bin ich nicht sehr weit gekommen, nun frage ich mich ob es einen geeigneten Parser für diese Aufgabe gibt.

Würde mich über Vorschläge freuen!

 

[AmunRa]

Je nachdem wenn es ein valider Html Code ist könntest du vl mit einem XML parser drüberlaufen. oder eben mit Regex in mehreren Durchgängen, da das mit einem einzigen wohl nicht geht

 

[Jaskur]

Je nachdem wenn es ein valider Html Code ist könntest du vl mit einem XML parser drüberlaufen. oder eben mit Regex in mehreren Durchgängen, da das mit einem einzigen wohl nicht geht

Ich kann leider nicht davon ausgehen das der HTML Code valide ist, eher das Gegenteil.
Ich werde wohl Regex und HTMLParser kombinieren müssen.