Link-extractor: haal elke link van een pagina

Deze link-extractor haalt elke link uit een webpagina en geeft je een nette lijst: elke URL absoluut gemaakt, de ankertekst waarop mensen klikken, of de link intern of extern is, en of hijnofollow, sponsored of ugc draagt. Voer een URL in om een live pagina op te halen, of plak HTML om links privé in je browser te extraheren. Filter het resultaat, verwijder duplicaten en exporteer het naar CSV, gratis en zonder aanmelden.

Zo haal je links van een website

1. Kies een modus. De URL van een webpagina haalt de pagina voor je op; Geplakte HTML werkt op broncode die je al hebt.
2. Voer het paginaadres in (of plak de HTML) en druk op Links extraheren. Redirects worden gevolgd en links worden opgelost ten opzichte van het uiteindelijke adres.
3. Lees de samenvatting: totaal aantal links, unieke URL’s, intern, extern en hoeveel nofollow, sponsored of ugc zijn.
4. Maak het smaller met de filters Type en Rel en het zoekvak. Haal het vinkje bij Dubbele URL’s verwijderen weg om elke voorkomen in paginavolgorde te zien.
5. Neem het resultaat mee: kopieer de URL’s, download een CSV voor een spreadsheet of stuur ze naar de bulk-URL-opener (Engels) om ze in tabbladen te openen.

Vanaf een URL of uit geplakte HTML: wat gebruik je

De URL-modus is de snelle weg voor openbare pagina’s. Browsers laten de ene website niet de pagina’s van een andere site lezen (het same-origin-beleid), dus de pagina wordt door de server van Marqly opgehaald, die alleen de lijst met links terugstuurt. Hij leest de HTML precies zoals de server die levert, zonder JavaScript uit te voeren, de eerste weergave die een zoekmachinecrawler krijgt voordat hij rendert.

De modus Geplakte HTML maakt nooit contact met een server. Gebruik hem als:

• De pagina zijn links met JavaScript opbouwt. Open de pagina, open de ontwikkelaarstools, klik met de rechtermuisknop op het element <html>, kies om de outer HTML te kopiëren en plak die hier: je krijgt de links zoals ze zijn gerenderd.
• De pagina achter een login zit of alleen inhoud aan jouw sessie toont.
• De site geautomatiseerde verzoeken blokkeert. Sommige sites beantwoorden bots met een 403 of een uitdagingspagina; je eigen browser kan de pagina nog wel laden en je de bron geven.
• De HTML helemaal geen webpagina is: een e-mailsjabloon, een opgeslagen bestand, een export of een fragment uit een cms.

Voeg in de geplakte modus een basis-URL toe zodat relatieve links zoals /prijzen of ../docsvolledige adressen worden. Bevat de HTML een eigen <base href>, dan wint die, precies zoals in een browser.

Wat elke kolom betekent

URL

Het linkdoel als absolute URL, opgelost zoals een browser dat zou doen: relatieve paden ten opzichte van het paginaadres (of zijn <base>-element), HTML-entiteiten zoals & gedecodeerd. Een link die alleen binnen de pagina springt, zoals #reacties, wordt de eigen URL van de pagina plus dat fragment.

Ankertekst

De zichtbare tekst van de link. Voor afbeeldingslinks zonder tekst wordt de alt-tekst van de afbeelding gebruikt; daarna de aria-label of title van de link. Een lege cel betekent dat de link helemaal geen toegankelijke tekst heeft: de moeite waard om te herstellen voor gebruikers van schermlezers en voor zoekmachines, die ankertekst gebruiken om het doel te begrijpen.

Type: intern, extern, overig

Interne links wijzen naar dezelfde host als de pagina, waarbij een voorloop-www. wordt genegeerd.Externe links wijzen overal anders heen, ook naar andere subdomeinen van hetzelfde domein, die aparte hosts zijn. Overig verzamelt links die geen webpagina’s zijn: mailto:, tel:,javascript: en vergelijkbare. In de geplakte modus zonder basis-URL kunnen relatieve links niet worden opgelost en tellen ze als intern, omdat een relatieve link altijd naar zijn eigen site wijst.

Rel: nofollow, sponsored, ugc

Het rel-attribuut vertelt zoekmachines hoe een site zich verhoudt tot de pagina waarnaar hij linkt. De richtlijn van Google overhet kwalificeren van uitgaande links (Engels) definieert drie waarden:

• sponsored: advertenties en betaalde plaatsingen.
• ugc: links in door gebruikers gemaakte inhoud, zoals reacties en forumberichten.
• nofollow: voor als de andere waarden niet van toepassing zijn en de site liever niet met het doel wordt geassocieerd.

Waarden kunnen worden gecombineerd, gescheiden door spaties of komma’s (rel="ugc nofollow"), en de extractor leest beide vormen. Links zonder een van de drie worden als gevolgd getoond. Andere rel-waarden, zoalsnoopener of noreferrer, staan in de kolom maar veranderen die status niet: ze gaan over browserbeveiliging en verwijzersgegevens, niet over zoekmachines.

× (voorkomens)

Met verwijderde duplicaten: hoe vaak dezelfde URL op de pagina voorkomt. Een aantal van 3 voor je prijzenpagina betekent meestal links in de header, de inhoud en de footer. Het eerste voorkomen levert de ankertekst; haal het vinkje bij ontdubbelen weg om elk exemplaar met zijn eigen tekst te zien.

Links exporteren naar CSV

CSV downloaden bewaart de links die bij je huidige filters passen, met de kolommenurl, anchor_text, type, rel en occurrences. Het opent in Excel, Google Sheets en Numbers. Ankertekst komt van een pagina die je niet beheert, dus elke cel die met =, +, - of @ begint, krijgt een apostrof ervoor, wat voorkomt dat een spreadsheet hem als formule uitvoert.

Waar mensen een link-extractor voor gebruiken

• SEO-audits. Tel de interne links van een pagina, ontdek belangrijke pagina’s waar hij nooit naar linkt en controleer of betaalde en affiliatelinks sponsored dragen.
• Kapotte links vinden. Haal de externe links van een pagina op en plak ze in decontrole op dode links om te zien welke fouten geven, en volg verdachte met de redirect checker.
• Bronnen verzamelen. Maak van een pagina met «beste bronnen», een nieuwsbriefarchief of een congresprogramma een lijst die je kunt sorteren, filteren en doorwerken.
• Inhoudsmigraties. Maak een lijst van elke link in oude pagina’s voordat je ze verhuist, zodat niets naar een URL wijst die gaat verdwijnen.
• E-mailsjablonen controleren. Plak de HTML van een nieuwsbrief om te bevestigen dat elke link gaat waar hij moet gaan en de juiste trackingparameters draagt, of haal die parameters weg met deURL-opschoner.

Grenzen en randgevallen

• Alleen <a href>-links worden geëxtraheerd. Gebieden van afbeeldingskaarten, knoppen die met JavaScript navigeren en URL’s die alleen als platte tekst voorkomen zijn in HTML-zin geen links en worden niet meegenomen.
• Verborgen markup wordt overgeslagen. Links in opmerkingen, scripts, stijlen en sjablonen worden in de URL-modus genegeerd, omdat een bezoeker ze nooit ziet of aanklikt.
• Groottegrenzen in de URL-modus: de eerste 2 MB HTML en tot 5.000 links per pagina. De statusregel vertelt je wanneer een pagina is afgekapt.
• Alleen openbare pagina’s. De ophaler weigert adressen in privénetwerken, URL’s met ingebedde wachtwoorden en andere poorten dan 80 en 443, en leest alleen HTML-antwoorden: een URL van een pdf of afbeelding wordt geweigerd.
• Eén pagina tegelijk. Dit is geen crawler. Draai de pagina’s die je belangrijk vindt, of begin bij de sitemap, om een site te dekken.

Privacy

Geplakte HTML wordt door je eigen browser verwerkt en verlaat hem nooit. In de URL-modus wordt de pagina door de server van Marqly opgevraagd met de user agent MarqlyLinkExtractor/1.0; het antwoord wordt één keer gelezen om de links te verzamelen, en noch de pagina noch de resultaten worden opgeslagen. Filteren, ontdubbelen en exporteren draaien altijd in je browser.

Bewaar de links die het bewaren waard zijn

Een spreadsheet met links is een momentopname; het meeste ervan veroudert in een map. Zijn sommige van de links die je hebt geëxtraheerd het waard om op terug te komen, bewaar ze dan in Marqly: elke bladwijzer behoudt zijn titel en tags, staat op borden die je zelf ordent en synchroniseert met de browserextensie en de iOS- en Android-apps. Het gratis plan bevat tot 100 bladwijzers; Pro is onbeperkt en voegt zoeken in de volledige tekst en op betekenis toe, zodat je een pagina kunt vinden aan de hand van wat erin stond. Heb je al duizenden opgeslagen links, ruim ze dan eerst op met de tool voor dubbele bladwijzers.