Регулярные выражения

#<a[^>]+?href=["\'](\S*?)["\'][^>]*>(.*?)</a>#

siv1987, ТС хочет только внутренние :)

Кстати, вы тоже ощущаете нехватку парсеров в интернете? )

Особенно не хватает поисковых систем :)

И это не шутка

Одной регуляркой не обойтись.

$host = "www.test.ru";

$links = array();

$content = preg_replace(array("#<!--[\s\S]+?-->#", "#<script[\s\S]+?</script>#i"), "", file_get_contents("http://www.test.ru"));

if (preg_match_all("@<a\s([^>]*)?href\s*=\s*[\"']?([^#>'\"\s]*)[\"']?([^>]*)?>@i", $content, $matches)) {



	// убираем www

	if (strpos($host, "www.") === 0)

		$host = substr($host, 4);



	foreach ($matches[2] as $n => $href) {

		// атрибуты тега, если надо парсить

		$attr = $matches[1][$n]." ".$matches[3][$n];

		

		if (empty($href))

			continue;

		

		// не парсим протоколы

		if (preg_match("#^(mailto|skype|magnet|ftp):#i", $href))

			continue;

		

		// абсолютная ссылки

		if (preg_match("#^(https?:)?//(www\.)?([^/]+)(/.*)?$#", $href, $match)) {

			if (strcmp($host, strtolower($match[3])) !== 0)

				continue;

			$href = $match[4];

		}

		

		// если относительная не начинается с "/"

		if (strpos($href, "/") !== 0)

			$href = "/".$href;

		

		//$links[] = $href." | ".$matches[0][$n];

		$links[] = "http://".$host.$href;

	}

}

print_r($links);

$host = "www.test.ru";

$links = array();

$content = preg_replace(array("#<!--[\s\S]+?-->#", "#<script[\s\S]+?</script>#i"), "", file_get_contents("http://www.test.ru"));

if (preg_match_all("@<a\s([^>]*)?href\s*=\s*[\"']?([^#>'\"\s]*)[\"']?([^>]*)?>@i", $content, $matches)) {



	// убираем www

	if (strpos($host, "www.") === 0)

		$host = substr($host, 4);



	foreach ($matches[2] as $n => $href) {

		// атрибуты тега, если надо парсить

		$attr = $matches[1][$n]." ".$matches[3][$n];

		

		if (empty($href))

			continue;

		

		// не парсим протоколы

		if (preg_match("#^(mailto|skype|magnet|ftp):#i", $href))

			continue;

		

		// абсолютная ссылки

		if (preg_match("#^(https?:)?//(www\.)?([^/]+)(/.*)?$#", $href, $match)) {

			if (strcmp($host, strtolower($match[3])) !== 0)

				continue;

			$href = $match[4];

		}

		

		// если относительная не начинается с "/"

		if (strpos($href, "/") !== 0)

			$href = "/".$href;

		

		//$links[] = $href." | ".$matches[0][$n];

		$links[] = "http://".$host.$href;

	}

}

print_r($links);

Спасибо вам за помощь! Вроде всё работает, я конечно его доработал немного чтобы дублей не было и чтобы не собирал ссылки типа javascript:, #

Не забудь еще mailto, skype и якоря, типа <a name>

В том примере кода это есть:

// не парсим протоколы

if (preg_match("#^(mailto|skype|magnet|ftp):#i", $href))

	continue;

Этот пример нельзя считать готовым решением, написан на коленке за 15 минут. Если углубится в тему 10 строками кода не обойтись.

Многое не учтено, к примеру тег base и относительные пути когда присутствуют двоеточие "/../path/index.html".

Еще есть такие форматы ссылок: tel|callto:

Подобный парсер нет смысла писать самому, поскольку как уже выше писали - есть много интересных кейсов, все из которых предусмотреть сложно. Ведь есть еще и относительные ссылки, без домена, которые надо дополнять доменом.

Лучше или использовать DOM несмотря на скорость, либо искать парсеры готовые в виде библиотек.