1、使用curl实现站外采集
具体请参考我上一篇笔记://www.jb51.cc/article/46432.htm
2、编码转换
首先通过查看源代码找到采集的网站使用的编码,通过mb_convert_encoding函数进行转码;
具体使用方法:
代码如下:
//源字符是$str //以下已知原编码为GBK,转换为utf-8
mb_convert_encoding($str,"UTF-8","GBK"); //以下未知原编码,通过auto自动检测后,转换编码为utf-8
mb_convert_encoding($str,"auto");
mb_convert_encoding($str,"UTF-8","GBK"); //以下未知原编码,通过auto自动检测后,转换编码为utf-8
mb_convert_encoding($str,"auto");
3、为更好地避开换行符和空格等不定因素的阻碍,有必要先清除采集到的源码中的换行符、空格符和制表符
代码如下:
//方法一,使用str_replace进行替换
$contents = str_replace("\r\n",'',$contents); //清除换行符
$contents = str_replace("\n",$contents); //清除换行符
$contents = str_replace("\t",$contents); //清除制表符
$contents = str_replace(" ",$contents); //清除空格符 //方法二,使用正则表达式进行替换
$contents = preg_replace("/([\r\n|\n|\t| ]+)/",$contents);
$contents = str_replace("\r\n",'',$contents); //清除换行符
$contents = str_replace("\n",$contents); //清除换行符
$contents = str_replace("\t",$contents); //清除制表符
$contents = str_replace(" ",$contents); //清除空格符 //方法二,使用正则表达式进行替换
$contents = preg_replace("/([\r\n|\n|\t| ]+)/",$contents);
4、通过正则表达式匹配找出需要获得的代码段,使用preg_match_all实现该匹配
代码如下:
函数解释:
int preg_match_all ( string pattern,string subject,array matches [,int flags] )
pattern即正规表达式
subject即要进行查找的原文
matches是用于储存输出结果的数组
flags是储存的模式,包括:
PREG_PATTERN_ORDER; //整个数组是二维数组,$arr1[0]是包括边界所构成匹配字符串的数组,$arr1[1]除去边界所构成的匹配字符串的数组
PREG_SET_ORDER; //整个数组是二维数组,$arr2[0][0]是第一个包括边界所构成的匹配的字符串,$arr2[0][1]是第一个除去边界所构成的匹配的字符串,之后的数组以此类推
PREG_OFFSET_CAPTURE; //整个数组是三维数组,$arr3[0][0][0]是第一个包括边界所构成的匹配的字符串,$arr3[0][0][1]是到达第一个匹配字符串的边界的偏移量(边界不算在内),之后以此类推,$arr2[1][0][0]是第一个包括边界所构成的匹配的字符串,$arr3[1][0][1]是到达第一个匹配字符串的边界的偏移量(边界算在内); //实际应用
preg_match_all('//',$contents,$out,PREG_SET_ORDER);
$out将获取到所有匹配的元素
$out[0][0]将是包括在内的全段字符
$out[0][1]将是仅包括(.*?)括号内所匹配到的字符段 //如此类推,第n个匹配到的字段可以用以下方法取得
$out[n-1][1] //若正则表达式中存大多个括号,则取得句中第m个匹配点的方法是
$out[n-1][m]
int preg_match_all ( string pattern,string subject,array matches [,int flags] )
pattern即正规表达式
subject即要进行查找的原文
matches是用于储存输出结果的数组
flags是储存的模式,包括:
PREG_PATTERN_ORDER; //整个数组是二维数组,$arr1[0]是包括边界所构成匹配字符串的数组,$arr1[1]除去边界所构成的匹配字符串的数组
PREG_SET_ORDER; //整个数组是二维数组,$arr2[0][0]是第一个包括边界所构成的匹配的字符串,$arr2[0][1]是第一个除去边界所构成的匹配的字符串,之后的数组以此类推
PREG_OFFSET_CAPTURE; //整个数组是三维数组,$arr3[0][0][0]是第一个包括边界所构成的匹配的字符串,$arr3[0][0][1]是到达第一个匹配字符串的边界的偏移量(边界不算在内),之后以此类推,$arr2[1][0][0]是第一个包括边界所构成的匹配的字符串,$arr3[1][0][1]是到达第一个匹配字符串的边界的偏移量(边界算在内); //实际应用
preg_match_all('/
$out将获取到所有匹配的元素
$out[0][0]将是包括
$out[0][1]将是仅包括(.*?)括号内所匹配到的字符段 //如此类推,第n个匹配到的字段可以用以下方法取得
$out[n-1][1] //若正则表达式中存大多个括号,则取得句中第m个匹配点的方法是
$out[n-1][m]
5、取得要找到字符后,若要去掉html标签,使用PHP自带的函数strip_tags即可方便地实现
代码如下:
//例
$result=strip_tags($out[0][1]);
$result=strip_tags($out[0][1]);