www.adminn.cn
站长正能量分享网!

基于preg_match_all采集后数据处理的一点心得笔记(编码转换和正则匹配)

AD:阿里云服务器企业会员更优惠 腾讯云香港,韩国免备案服务器1.8折优惠

这篇文章主要介绍了采集后数据处理的一点心得笔记,编码转换和正则匹配,基于preg_match_all,需要的朋友可以参考下

1、使用curl实现站外采集

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:

  1. //源字符是$str  
  2.  
  3. //以下已知原编码为GBK,转换为utf-8  
  4. mb_convert_encoding($str"UTF-8""GBK");  
  5.  
  6. //以下未知原编码,通过auto自动检测后,转换编码为utf-8  
  7. mb_convert_encoding($str"UTF-8""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:

  1. //方法一,使用str_replace进行替换  
  2. $contents = str_replace("\r\n"''$contents); //清除换行符  
  3. $contents = str_replace("\n"''$contents); //清除换行符  
  4. $contents = str_replace("\t"''$contents); //清除制表符  
  5. $contents = str_replace(" "''$contents); //清除空格符  
  6.  
  7. //方法二,使用正则表达式进行替换  
  8. $contents = preg_replace("/([\r\n|\n|\t| ]+)/",'',$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); 

  1. //实际应用  
  2. preg_match_all('/<pclass=\"content\">(.*?)<\/p>/',$contents$out, PREG_SET_ORDER);  
  3. $out将获取到所有匹配的元素  
  4. $out[0][0]将是包括<pclass=\"content\"></p>在内的全段字符  
  5. $out[0][1]将是仅包括(.*?)括号内所匹配到的字符段  
  6.  
  7. //如此类推,第n个匹配到的字段可以用以下方法取得  
  8. $out[n-1][1]  
  9.  
  10. //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  
  11. $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:

$result=strip_tags($out[0][1]);

模板优惠价: (点击购买)
版权声明:本文采用知识共享 署名4.0国际许可协议 [BY-NC-SA] 进行授权
文章名称:《基于preg_match_all采集后数据处理的一点心得笔记(编码转换和正则匹配)》
文章链接:https://www.adminn.cn/news/8527.html
本站资源模板仅供个人学习交流,请于下载后24小时内删除,不允许用于商业用途,否则法律问题自行承担。2021.5月起,网站调整,暂不再分享免费模板。谢谢理解

扫码支付后请联系右侧QQ发送下载地址!!

源码请勿用于任何涉灰站点!净化网络,站长更有责!

支付宝扫一扫打赏