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
使用TinyButStrong模板引擎来做WEB开发
用PHP控制用户的浏览器--ob*函数的使用说明
PHP操作文件方法问答
PHP编码规范-php coding standard
在PHP世界中选择最合适的模板与使用方法
PHP学习资料汇总与网址
PHP中session使用方法详解
PHP中cookies使用指南
对Session和Cookie的区分与解释
php的一个登录的类 [推荐]
php下使用无限生命期Session的方法
初级的用php写的采集程序
Discuz 5.0 中读取纯真IP数据库函数分析
php中文本操作的类
dedecms采集中可以过滤多行代码的正则表达式
dedecms防止FCK乱格式化你的代码的修改方法
收集的DedeCMS一些使用经验
dedecms模板标签代码官方参考
Dedecms V3.1 生成HTML速度的优化办法
PHP实现采集程序原理和简单示例代码

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: 244 ::
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]);
}
?>