1、使用curl實現(xiàn)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(zhuǎn)換
首先通過查看源代碼找到采集的網(wǎng)站使用的編碼，通過mb_convert_encoding函數(shù)進行轉(zhuǎn)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(zhuǎn)換為utf-8
mb_convert_encoding($str, "UTF-8", "GBK");

//以下未知原編碼，通過auto自動檢測后，轉(zhuǎn)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(xiàn)該匹配

復制代碼 代碼如下:
函數(shù)解釋：
int preg_match_all ( string pattern, string subject, array matches [, int flags] )
pattern即正規(guī)表達式
subject即要進行查找的原文
matches是用于儲存輸出結(jié)果的數(shù)組
flags是儲存的模式，包括：
    PREG_PATTERN_ORDER;  //整個數(shù)組是二維數(shù)組，$arr1[0]是包括邊界所構(gòu)成匹配字符串的數(shù)組，$arr1[1]除去邊界所構(gòu)成的匹配字符串的數(shù)組
    PREG_SET_ORDER;  //整個數(shù)組是二維數(shù)組，$arr2[0][0]是第一個包括邊界所構(gòu)成的匹配的字符串，$arr2[0][1]是第一個除去邊界所構(gòu)成的匹配的字符串，之后的數(shù)組以此類推
    PREG_OFFSET_CAPTURE;  //整個數(shù)組是三維數(shù)組，$arr3[0][0][0]是第一個包括邊界所構(gòu)成的匹配的字符串，$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(nèi)），之后以此類推，$arr2[1][0][0]是第一個包括邊界所構(gòu)成的匹配的字符串，$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(nèi)）;

//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(nèi)的全段字符
$out[0][1]將是僅包括(.*?)括號內(nèi)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、取得要找到字符后，若要去掉html標簽，使用php自帶的函數(shù)strip_tags即可方便地實現(xiàn)

復制代碼 代碼如下:
//例
$result=strip_tags($out[0][1]);

php技術(shù)：基于preg_match_all采集后數(shù)據(jù)處理的一點心得筆記(編碼轉(zhuǎn)換和正則匹配)，轉(zhuǎn)載需保留來源！

鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯(lián)系我們修改或刪除，多謝。