程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
 程式師世界 >> 編程語言 >> 網頁編程 >> PHP編程 >> 關於PHP編程 >> 基於preg_match_all采集後數據處理的一點心得筆記(編碼轉換和正則匹配)

基於preg_match_all采集後數據處理的一點心得筆記(編碼轉換和正則匹配)

編輯:關於PHP編程

1、使用curl實現站外采集

具體請參考我上一篇筆記:http://www.jb51.net/article/46432.htm

2、編碼轉換
首先通過查看源代碼找到采集的網站使用的編碼,通過mb_convert_encoding函數進行轉碼;

具體使用方法:

復制代碼 代碼如下:
//源字符是$str

//以下已知原編碼為GBK,轉換為utf-8
mb_convert_encoding($str, "UTF-8", "GBK");

//以下未知原編碼,通過auto自動檢測後,轉換編碼為utf-8
mb_convert_encoding($str, "UTF-8", "auto");

3、為更好地避開換行符和空格等不定因素的阻礙,有必要先清除采集到的源碼中的換行符、空格符和制表符

復制代碼 代碼如下:
//方法一,使用str_replace進行替換
$contents = str_replace("\r\n", '', $contents); //清除換行符
$contents = str_replace("\n", '', $contents); //清除換行符
$contents = str_replace("\t", '', $contents); //清除制表符
$contents = str_replace(" ", '', $contents); //清除空格符

//方法二,使用正則表達式進行替換
$contents = preg_replace("/([\r\n|\n|\t| ]+)/",'',$contents);

4、通過正則表達式匹配找出需要獲得的代碼段,使用preg_match_all實現該匹配

復制代碼 代碼如下:
函數解釋:
int preg_match_all ( string pattern, string subject, array matches [, int flags] )
pattern即正規表達式
subject即要進行查找的原文
matches是用於儲存輸出結果的數組
flags是儲存的模式,包括:
    PREG_PATTERN_ORDER;  //整個數組是二維數組,$arr1[0]是包括邊界所構成匹配字符串的數組,$arr1[1]除去邊界所構成的匹配字符串的數組
    PREG_SET_ORDER;  //整個數組是二維數組,$arr2[0][0]是第一個包括邊界所構成的匹配的字符串,$arr2[0][1]是第一個除去邊界所構成的匹配的字符串,之後的數組以此類推
    PREG_OFFSET_CAPTURE;  //整個數組是三維數組,$arr3[0][0][0]是第一個包括邊界所構成的匹配的字符串,$arr3[0][0][1]是到達第一個匹配字符串的邊界的偏移量(邊界不算在內),之後以此類推,$arr2[1][0][0]是第一個包括邊界所構成的匹配的字符串,$arr3[1][0][1]是到達第一個匹配字符串的邊界的偏移量(邊界算在內);

//實際應用
preg_match_all('/<pclass=\"content\">(.*?)<\/p>/',$contents, $out, PREG_SET_ORDER);
$out將獲取到所有匹配的元素
$out[0][0]將是包括<pclass=\"content\"></p>在內的全段字符
$out[0][1]將是僅包括(.*?)括號內所匹配到的字符段

//如此類推,第n個匹配到的字段可以用以下方法取得
$out[n-1][1]

//若正則表達式中存大多個括號,則取得句中第m個匹配點的方法是
$out[n-1][m]

5、取得要找到字符後,若要去掉html標簽,使用PHP自帶的函數strip_tags即可方便地實現

復制代碼 代碼如下:
//例
$result=strip_tags($out[0][1]);

  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved