Ako vytiahnuť všetky URL adresy z textu alebo HTML (online, Tabuľky, Excel, príkazový riadok)

· čítanie na 5 minút

Ako vytiahnuť všetky URL adresy z textu alebo HTML (online, Tabuľky, Excel, príkazový riadok)

Zbierať odkazy ručne je otravné: jeden skopírujete, posuniete sa nižšie, skopírujete ďalší a aj tak vám pár ujde. Či už kontrolujete odchádzajúce odkazy na stránke, zbierate zdroje z dlhého dokumentu alebo upratujete export z chatu, oveľa rýchlejšie je vytiahnuť všetky URL adresy z textu automaticky.

Najťažšie nie je nájsť https:// – ale získať čistý výsledok: bez bodky z konca vety, bez zátvorky z odkazu v Markdowne, bez & z HTML a bez desiatich kópií tej istej adresy s rôznymi sledovacími parametrami.

Najrýchlejší spôsob: hromadný extraktor URL adries

  1. Otvorte Extraktor URL adries.
  2. Vložte text. Môže to byť obyčajný text, Markdown alebo HTML kód stránky.
  3. Odkazy sa zobrazia vpravo, jeden na riadok, bez duplicít.
  4. Upravte nastavenia:
    • Iba domény – vypíše blog.example.com namiesto celých URL adries.
    • Odstrániť parametre (?…) – oreže všetko za ? alebo #, takže varianty s ?utm_source=… sa zlúčia do jednej.
    • Doména obsahuje – ponechá iba odkazy na zadanú stránku, napríklad na vašu doménu, ak hľadáte interné odkazy.
    • Hľadať www. odkazy bez https:// – zachytí aj adresy napísané bez https://.
    • Zoradiť A–Z – zoradí zoznam abecedne.
  5. Zoznam skopírujte alebo stiahnite.

Extraktor odstráni interpunkciu z konca vety za každým odkazom, ale zátvorky, ktoré k adrese patria, ponechá – takže https://en.wikipedia.org/wiki/Mercury_(planet) zostane celé aj vnútri zátvoriek. Číta aj HTML atribúty ako href a src a & prevedie späť na &.

Ako vytiahnuť všetky odkazy z webovej stránky

Najjednoduchším zdrojom je HTML kód stránky:

  1. Otvorte stránku a stlačte Ctrl+U (na Macu Cmd+Option+U) – zobrazí sa zdrojový kód.
  2. Stlačte Ctrl+A a Ctrl+C.
  3. Vložte ho do Extraktora URL adries.

Vytiahnu sa iba absolútne odkazy. Relatívne odkazy ako /o-nas nemajú doménu, takže sa preskočia.

Ak uprednostňujete vývojársku konzolu prehliadača (F12 → Console), tento jednoriadkový skript skopíruje všetky cieľové adresy odkazov, vrátane relatívnych prevedených na úplné URL adresy:

copy([...new Set([...document.querySelectorAll('a[href]')].map(a => a.href))].join('\n'))

Pomocná funkcia copy() je dostupná v konzole prehliadačov Chrome, Edge aj Firefox; výsledok sa uloží do schránky.

Ako vytiahnuť URL adresy v Google Tabuľkách

Ak máte text v stĺpci A, tento vzorec vráti prvú URL adresu z každej bunky:

=IFERROR(REGEXEXTRACT(A2; "https?://[^\s""<>]+"); "")

Všimnite si zdvojené úvodzovky vo vzore – takto sa vo vzorci v Tabuľkách zapisuje znak ". So slovenským nastavením tabuľky sa argumenty oddeľujú bodkočiarkou, v anglickom čiarkou. Vzorec vráti iba jeden odkaz na bunku a ak URL adresa končí vetu, ponechá na konci bodku – výsledok preto skontrolujte alebo ho preneste cez online nástroj.

Ak bunky obsahujú hypertextové odkazy vložené cez Vložiť → Odkaz (modrý text so skrytou adresou), adresa nie je súčasťou textu bunky a Tabuľky nemajú zabudovaný vzorec, ktorý by ju prečítal. Praktické riešenie: Súbor → Stiahnuť → Webová stránka (.html), stiahnutý HTML súbor otvorte v textovom editore a jeho obsah vložte do extraktora URL adries – hodnoty href sa zachytia.

Ako vytiahnuť adresy hypertextových odkazov v Exceli

V Microsoft 365 s funkciami pre regulárne výrazy môžete použiť rovnaký vzor ako vyššie:

=REGEXEXTRACT(A2; "https?://[^\s""<>]+")

(V anglickom Exceli s čiarkou: =REGEXEXTRACT(A2, "https?://[^\s""<>]+").)

Pre bunky so skrytými hypertextovými odkazmi potrebuje Excel malú funkciu vo VBA. Stlačte Alt+F11, vložte modul a prilepte:

Function GetURL(cell As Range) As String
    If cell.Hyperlinks.Count > 0 Then GetURL = cell.Hyperlinks(1).Address
End Function

Potom v ľubovoľnej bunke použite =GetURL(A2). Aby sa makro zachovalo, uložte zošit ako .xlsm.

Ako vytiahnuť URL adresy v príkazovom riadku

Na Linuxe alebo macOS:

grep -oE 'https?://[^[:space:]"<>]+' notes.txt | sed 's/[.,;:!?)]*$//' | sort -u

Krok so sed odstráni interpunkciu na konci. Odstráni však aj koncovú zátvorku, ktorá k URL adrese patrí, takže odkazy v štýle Wikipédie skontrolujte ručne.

V PowerShelli:

Select-String -Path .\notes.txt -Pattern 'https?://[^\s"<>]+' -AllMatches |
  ForEach-Object { $_.Matches.Value } | Sort-Object -Unique

Najčastejšie chyby

  • Interpunkcia na konci. „Pozrite https://example.com/page.“ – bodka nie je súčasťou odkazu a ak ju ponecháte, dostanete chybu 404.
  • Zátvorky. Odkazy v Markdowne končia znakom ), URL adresy Wikipédie obsahujú (…). Dobrý extraktor odstraňuje iba nespárované koncové zátvorky.
  • HTML entity. V zdrojovom kóde stránky odkaz ako ?a=1&amp;b=2 v skutočnosti znamená ?a=1&b=2.
  • Sledovacie parametre. utm_source, fbclid a podobné spôsobia, že rovnaké stránky vyzerajú ako rôzne. Pred odstránením duplicít parametre odstráňte – iba ak na nich nezáleží (stránky vyhľadávania, varianty produktov).
  • Odkazy bez protokolu. Ľudia často píšu www.example.com. Rozhodnite sa, či ich chcete zahrnúť.
  • Veľké a malé písmená. V doménach na veľkosti písmen nezáleží, v cestách zvyčajne áno. https://Example.com/A a https://example.com/A sú to isté, ale /A a /a už nemusia byť.

Časté otázky

Dá sa získať iba zoznam domén?

Áno, v Extraktore URL adries zaškrtnite Iba domény. Každá doména sa vypíše raz; subdomény zostanú ako samostatné položky.

Ako vytiahnem z rovnakého textu e-mailové adresy?

Použite Extraktor e-mailov. Funguje rovnako – vložte text a skopírujte výsledok.

Ako odstránim duplicitné URL adresy z existujúceho zoznamu?

Vložte zoznam do extraktora URL adries so zapnutou voľbou Iba unikátne, alebo pre akýkoľvek zoznam použite odstraňovač duplicít.

Navštevuje alebo kontroluje nástroj odkazy?

Nie. Číta iba text, ktorý vložíte, a to celé vo vašom prehliadači. Žiadny odkaz sa neotvára a nič sa neodosiela na server.