基于preg_match_all采集后数据处理的一点心得笔记(编码转换和正
发布时间:2020-12-12 20:02:47 所属栏目:PHP教程 来源:网络整理
导读:1、使用curl实现站外采集 具体请参考我上一篇笔记://www.jb51.cc/article/46432.htm 2、编码转换 首先通过查看源代码找到采集的网站使用的编码,通过mb_convert_encoding函数进行转码; 具体使用方法: 代码如下: //源字符是$str //以下已知原编码为GBK,转
1、使用curl实现站外采集 具体请参考我上一篇笔记://www.52php.cn/article/46432.htm 2、编码转换 具体使用方法: 代码如下: //源字符是$str //以下已知原编码为GBK,转换为utf-8
mb_convert_encoding($str,"UTF-8","GBK"); //以下未知原编码,通过auto自动检测后,转换编码为utf-8 mb_convert_encoding($str,"auto"); 3、为更好地避开换行符和空格等不定因素的阻碍,有必要先清除采集到的源码中的换行符、空格符和制表符 代码如下: //方法一,使用str_replace进行替换
$contents = str_replace("rn",'',$contents); //清除换行符 $contents = str_replace("n",$contents); //清除换行符 $contents = str_replace("t",$contents); //清除制表符 $contents = str_replace(" ",$contents); //清除空格符 //方法二,使用正则表达式进行替换 $contents = preg_replace("/([rn|n|t| ]+)/",$contents); 4、通过正则表达式匹配找出需要获得的代码段,使用preg_match_all实现该匹配 代码如下: 函数解释:
int preg_match_all ( string pattern,string subject,array matches [,int flags] ) pattern即正规表达式 subject即要进行查找的原文 matches是用于储存输出结果的数组 flags是储存的模式,包括: PREG_PATTERN_ORDER; //整个数组是二维数组,$arr1[0]是包括边界所构成匹配字符串的数组,$arr1[1]除去边界所构成的匹配字符串的数组 PREG_SET_ORDER; //整个数组是二维数组,$arr2[0][0]是第一个包括边界所构成的匹配的字符串,$arr2[0][1]是第一个除去边界所构成的匹配的字符串,之后的数组以此类推 PREG_OFFSET_CAPTURE; //整个数组是三维数组,$arr3[0][0][0]是第一个包括边界所构成的匹配的字符串,$arr3[0][0][1]是到达第一个匹配字符串的边界的偏移量(边界不算在内),之后以此类推,$arr2[1][0][0]是第一个包括边界所构成的匹配的字符串,$arr3[1][0][1]是到达第一个匹配字符串的边界的偏移量(边界算在内); //实际应用 preg_match_all('/ $out将获取到所有匹配的元素 $out[0][0]将是包括 $out[0][1]将是仅包括(.*?)括号内所匹配到的字符段 //如此类推,第n个匹配到的字段可以用以下方法取得 $out[n-1][1] //若正则表达式中存大多个括号,则取得句中第m个匹配点的方法是 $out[n-1][m] 5、取得要找到字符后,若要去掉html标签,使用PHP自带的函数strip_tags即可方便地实现 代码如下: //例 $result=strip_tags($out[0][1]); (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |