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?