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 >> PHP綜合 >> PHP simple_html_dom.php+正則 采集文章代碼

PHP simple_html_dom.php+正則 采集文章代碼

編輯:PHP綜合
復制代碼 代碼如下:
<?php
//包含PHP Simple html Dom 類庫文件
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;
}


//獲得標題和url
$string =
getwebcontent('http://www.babytree.com/learn/zhunbeihuaiyun/jijibeiyun/2');
//正則匹配<li>獲取標題和地址
preg_match_all ("/<li><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];
}

//根據url獲取文章內容
foreach($article['link'] as $key=>$value){
$html = file_get_html($value);
$div = $html->find('div[id=pagenum_0]');
$article[content][] = $div[0]->innertext;
}
//標題轉碼---真正用的時候不用這步--因為咱本來就要用utf8的
//不轉碼還真不能保存成文件
foreach($article[title] as $key=>$value){
$article[title][$key] = iconv('utf-8', 'gbk', $value);//轉碼
}
//存入文件
$num = count($article['title']);
for($i=0; $i<$num; $i++){
file_put_contents("{$article[title][$i]}.txt", $article['content'][$i]);
}

/*本來想12點之前發的。。但小看一下都3點半了。。。 就算昨天的吧
本來獲取文章內容時用正則是最好的,速度也是最快的,
奈何正則是好,但正則表達式是真難!於是乎小查了一下,
網上也有很多人也在用PHP Simple Dom 雖然效率慢了點,但效果還是不錯的
從包含類庫文件到寫入txt文件 大概是7/8就秒 還有帶於進一步優化,特別是那獲取文章內容時的正則,那個太惡心了
大家可以小研究一下*/
?>
  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved