基于curl数据采集之正则处理函数get_matches的使用

发布时间：2020-12-13 06:16:45 所属栏目：PHP教程来源：网络整理

导读：根据前两篇的博文：已经可以得到了我们需要的html文件，现在需要处理得到的文件获取到我们需要的采集的数据。对于html文档的解析，没有像XML那样的解析类，因为HTML文档有很多不成对的标签，很不严格。这个时候就需要采用其他的一些辅助类了，simplehtmldo

根据前两篇的博文：

已经可以得到了我们需要的html文件，现在需要处理得到的文件获取到我们需要的采集的数据。

对于html文档的解析，没有像XML那样的解析类，因为HTML文档有很多不成对的标签，很不严格。这个时候就需要采用其他的一些辅助类了，simplehtmldom是一个类似于JQuery方式操作HTML文档的解析类。可以很方便的得到想要的数据，可惜速度慢。这里不是我们这里讨论的重点，我主要使用正则来匹配我所需要的采集的数据，可以很快速的得到我需要采集的信息。

考虑到get_html可以判断返回的数据,但是get_htmls没有办法判断，为了方便调式和调用写了如下两个函数：

代码如下:

function get_matches($pattern,$html,$err_msg,$multi=false,$flags=0,$offset=0){
 if(!$multi){
 if(!preg_match($pattern,$matches,$flags,$offset)){
 echo $err_msg."! 错误信息: ".get_preg_err_msg()."n";
 return false;
 }
 }else{
 if(!preg_match_all($pattern,$offset)){
 echo $err_msg."! 错误信息: ".get_preg_err_msg()."n";
 return false;
 }
 }
 return $matches;
}
function get_preg_err_msg(){
 $error_code = preg_last_error();
 switch($error_code){
 case PREG_NO_ERROR :
 $err_msg = 'PREG_NO_ERROR';
 break;
 case PREG_INTERNAL_ERROR:
 $err_msg = 'PREG_INTERNAL_ERROR';
 break;
 case PREG_BACKTRACK_LIMIT_ERROR:
 $err_msg = 'PREG_BACKTRACK_LIMIT_ERROR';
 break;
 case PREG_RECURSION_LIMIT_ERROR:
 $err_msg = 'PREG_RECURSION_LIMIT_ERROR';
 break;
 case PREG_BAD_UTF8_ERROR:
 $err_msg = 'PREG_BAD_UTF8_ERROR';
 break;
 case PREG_BAD_UTF8_OFFSET_ERROR:
 $err_msg = 'PREG_BAD_UTF8_OFFSET_ERROR';
 break;
 default:
 return '未知错误!';
 }
 return $err_msg.': '.$error_code;
}

可以这样调用：

代码如下:

$url = 'http://www.baidu.com';
$html = get_html($url);
$matches = get_matches('!!','没有找到链接',true);
if($matches){
 var_dump($matches);
}

或者这样调用：

代码如下:

$urls = array('http://www.baidu.com','http://www.hao123.com');
$htmls = get_htmls($urls);
foreach($htmls as $html){
 $matches = get_matches('!!',true);
 if($matches){
 var_dump($matches);
 }
}

就可以得到所需的信息，无论单页面采集还是多页面采集，最终PHP还是只能处理一个页面，由于使用get_matches了，可以对返回的值进行判断真假，得到正确的数据，由于使用正则的时候遇到了超过正则回溯的问题，增加get_preg_err_msg来提示正则信息。

由于采集数据的时候，经常是采集列表页，根据列表页得到的内容页链接再采集内容页，或者更多的层次，那么循环嵌套会很多，对于代码的控制会感觉力不从心。那我们是否可以把采集列表页的代码和采集内容页的代码，或者更多的层次的采集代码分离开，甚至循环都简化呢？

（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!