频道导航

PHP simple_html_dom.php+正则采集文章代码

2018-12-30 PHP 前端之家

前端之家收集整理的这篇文章主要介绍了PHP simple_html_dom.php+正则采集文章代码，前端之家小编觉得挺不错的，现在分享给大家，也给大家做个参考。

<div class="codetitle"><a style="CURSOR: pointer" data="34997" class="copybut" id="copybut34997" onclick="doCopy('code34997')"> 代码如下:

<div class="codebody" id="code34997">
<?PHP
//包含PHP Simple html Dom 类库文件
include_once('./simplehtmldom/simple_html_dom.PHP'); //采集html
function getwebcontent($url){
$ch = curl_init();
$timeout = 10;
curl_setopt($ch,CURLOPT_URL,$url);
curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
curl_setopt($ch,CURLOPT_CONNECTTIMEOUT,$timeout);
curl_setopt ($ch,CURLOPT_FOLLOWLOCATION,1);
$contents = trim(curl_exec($ch));
curl_close($ch);
return $contents;
}
//获得标题和url
$string =
getwebcontent('http://www.babytree.com/learn/zhunbeihuaiyun/jijibeiyun/2');
//正则匹配

获取标题和地址
preg_match_all ("/

<a href=\"\/learn\/article\/(.)\">(.)<\/a>/",
$string,$out,PREG_SET_ORDER); foreach($out as $key => $value){
$article['title'][] = $out[$key][2];
$article['link'][] = "http://www.babytree.com/learn/article/".$out[$key][1];
} //根据url获取文章内容
foreach($article['link'] as $key=>$value){
$html = file_get_html($value);
$div = $html->find('div[id=pagenum_0]');
$article[content][] = $div[0]->innertext;
}
//标题转码---真正用的时候不用这步--因为咱本来就要用utf8的
//不转码还真不能保存成文件
foreach($article[title] as $key=>$value){
$article[title][$key] = iconv('utf-8','gbk',$value);//转码
}
//存入文件
$num = count($article['title']);
for($i=0; $i<$num; $i++){
file_put_contents("{$article[title][$i]}.txt",$article['content'][$i]);
} /本来想12点之前发的。。但小看一下都3点半了。。。就算昨天的吧
本来获取文章内容时用正则是最好的，速度也是最快的，
奈何正则是好，但正则表达式是真难！于是乎小查了一下，
网上也有很多人也在用PHP Simple Dom 虽然效率慢了点，但效果还是不错的
从包含类库文件到写入txt文件大概是7/8就秒还有带于进一步优化，特别是那获取文章内容时的正则，那个太恶心了
大家可以小研究一下/
?>

PHP simple_html_dom 采集采集