記事内の URL のリンク切れを検出するスクリプトの作成

[noraworld]

記事内の URL を正規表現かなにかでマッチさせて、その URL のヘッダ情報のみを取得し、404 Not Found を検出する。

ヘッダ情報のみを取得する理由は、単純に本文は要らないのと、本文も取得しようとするとリクエストに時間がかかるから。

スクリプトは bin ディレクトリでも作ってそこに置いておくのが良いだろう。

ざっくりとした仕様は以下の通り。コマンド名は適当。

# 無引数の場合は全記事の内の全 URL をチェックする
$ bin/check-broken-link

# パスを引数として指定したらその記事内の URL のみをチェックする
$ bin/check-broken-link articles/foo-bar-baz

# 全 URL と HTTP ステータスコードを表示する
# 200 OK などの URL も含めて、すべて表示する
# これは記事内の URL を正規表現等で正しく抽出できるかの、いわばデバッグ用のオプション
$ bin/check-broken-link --verbose