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]);
