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curl數據采集之正則處理函數get_matches的使用

基於curl數據采集之正則處理函數get_matches的使用

編輯:關於PHP編程

根據前兩篇的博文:

基於curl數據采集之單頁面采集函數get_html的使用

基於curl數據采集之單頁面並行采集函數get_htmls的使用

已經可以得到了我們需要的html文件,現在需要處理得到的文件獲取到我們需要的采集的數據。

對於html文檔的解析,沒有像XML那樣的解析類,因為HTML文檔有很多不成對的標簽,很不嚴格。這個時候就需要采用其他的一些輔助類了,simplehtmldom是一個類似於JQuery方式操作HTML文檔的解析類。可以很方便的得到想要的數據,可惜速度慢。這裡不是我們這裡討論的重點,我主要使用正則來匹配我所需要的采集的數據,可以很快速的得到我需要采集的信息。

考慮到get_html可以判斷返回的數據,但是get_htmls沒有辦法判斷,為了方便調式和調用寫了如下兩個函數:
復制代碼 代碼如下:
function get_matches($pattern,$html,$err_msg,$multi=false,$flags=0,$offset=0){
     if(!$multi){
         if(!preg_match($pattern,$html,$matches,$flags,$offset)){
             echo $err_msg."! 錯誤信息: ".get_preg_err_msg()."\n";
             return false;
         }
     }else{
         if(!preg_match_all($pattern,$html,$matches,$flags,$offset)){
             echo $err_msg."! 錯誤信息: ".get_preg_err_msg()."\n";
             return false;
         }
     }
     return $matches;
 }
 function get_preg_err_msg(){
     $error_code = preg_last_error();
     switch($error_code){
         case PREG_NO_ERROR :
             $err_msg = 'PREG_NO_ERROR';
             break;
         case PREG_INTERNAL_ERROR:
             $err_msg = 'PREG_INTERNAL_ERROR';
             break;
         case PREG_BACKTRACK_LIMIT_ERROR:
             $err_msg = 'PREG_BACKTRACK_LIMIT_ERROR';
             break;
         case PREG_RECURSION_LIMIT_ERROR:
             $err_msg = 'PREG_RECURSION_LIMIT_ERROR';
             break;
         case PREG_BAD_UTF8_ERROR:
             $err_msg = 'PREG_BAD_UTF8_ERROR';
             break;
         case PREG_BAD_UTF8_OFFSET_ERROR:
             $err_msg = 'PREG_BAD_UTF8_OFFSET_ERROR';
             break;
         default:
             return '未知錯誤!';
     }
     return $err_msg.': '.$error_code;
 }

可以這樣調用:
復制代碼 代碼如下:
$url = 'http://www.baidu.com';
 $html = get_html($url);
 $matches = get_matches('!<a[^<]+</a>!',$html,'沒有找到鏈接',true);
 if($matches){
     var_dump($matches);
 }

或者這樣調用:
復制代碼 代碼如下:
$urls = array('http://www.baidu.com','http://www.hao123.com');
 $htmls = get_htmls($urls);
 foreach($htmls as $html){
     $matches = get_matches('!<a[^<]+</a>!',$html,'沒有找到鏈接',true);
     if($matches){
         var_dump($matches);
     }
 }

就可以得到所需的信息,無論單頁面采集還是多頁面采集,最終PHP還是只能處理一個頁面,由於使用get_matches了,可以對返回的值進行判斷真假,得到正確的數據,由於使用正則的時候遇到了超過正則回溯的問題,增加get_preg_err_msg來提示正則信息。

由於采集數據的時候,經常是采集列表頁,根據列表頁得到的內容頁鏈接再采集內容頁,或者更多的層次,那麼循環嵌套會很多,對於代碼的控制會感覺力不從心。那我們是否可以把采集列表頁的代碼和采集內容頁的代碼,或者更多的層次的采集代碼分離開,甚至循環都簡化呢?

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