当前位置: 首页 > 图文教程 > 网络编程 > PHP > php 文章采集正则代码

PHP
Studio Client 安装指导
Discuz!用户怎样减少广告灌水机的骚扰
X-Space(1):日志发布后首页为何不更新
X-Space(2):X-Space"搬家"三步走
X-Space(3):如何屏蔽敏感字符
X-Space(4):如何在个人博客设置音乐播放
rss的语言编码大全
rss 使用规范
htaccess文件使用大全
什么是 unicode
php5 新增加的参数设置
探索字串的奥秘
apache中.htaccess文件的功能写法
半小时精通正则表达式
统一建模语言UML轻松入门之类和对象
十天学习PHP之第二天
十天学习PHP之第三天
十天学习PHP之第四天
最完整的editplus之php语法文件
cookie与session

PHP 中的 php 文章采集正则代码


出处:互联网   整理: 软晨网(RuanChen.com)   发布: 2010-01-10   浏览: 155 ::
收藏到网摘: n/a

php 文章采集代码主要是应用了正则表达式。
复制代码 代码如下:

//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;
}

//获得标题和url
$string =
getwebcontent('http://www.***.com/learn/zhunbeihuaiyun/jijibeiyun/2');
//正则匹配<li>获取标题和地址
preg_match_all ("/<li><a href=\"\/learn\/article\/(.*)\">(.*)<\/a>/",$string, $out, PREG_SET_ORDER);
foreach($out as $key => $value){
$article['title'][] = $out[$key][2];
$article['link'][] = "http://www.***.com/learn/article/".$out[$key][1];
}
//根据url获取文章内容
foreach($article['link'] as $key=>$value){
$content_html = getwebcontent($article['link'][$key]);
preg_match("/<div id=pagenum_0(.*)>[\s|\S]*?<\/div>/",$content_html,$matches);
$article[content][$key] = $matches[0];
}
//不转码还真不能保存成文件
foreach($article[title] as $key=>$value){
$article[title][$key] = iconv('utf-8', 'gbk', $value);//转码
}
//存入文件
$num = count($article['title']);
for($i=0; $i<$num; $i++){
file_put_contents("{$article[title][$i]}.txt", $article['content'][$i]);
}
?>