基于preg_match_all采集后數(shù)據(jù)處理的一點(diǎn)心得筆記(編碼轉(zhuǎn)換和正則匹配)
1、使用curl實(shí)現(xiàn)站外采集
具體請參考我上一篇筆記:http://www.dbjr.com.cn/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(jìn)行轉(zhuǎn)碼;
具體使用方法:
//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(dòng)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
//方法一,使用str_replace進(jìn)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(dá)式進(jìn)行替換
$contents = preg_replace("/([\r\n|\n|\t| ]+)/",'',$contents);
4、通過正則表達(dá)式匹配找出需要獲得的代碼段,使用preg_match_all實(shí)現(xiàn)該匹配
函數(shù)解釋:
int preg_match_all ( string pattern, string subject, array matches [, int flags] )
pattern即正規(guī)表達(dá)式
subject即要進(jìn)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(gè)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(gè)數(shù)組是二維數(shù)組,$arr2[0][0]是第一個(gè)包括邊界所構(gòu)成的匹配的字符串,$arr2[0][1]是第一個(gè)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(gè)數(shù)組是三維數(shù)組,$arr3[0][0][0]是第一個(gè)包括邊界所構(gòu)成的匹配的字符串,$arr3[0][0][1]是到達(dá)第一個(gè)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,$arr2[1][0][0]是第一個(gè)包括邊界所構(gòu)成的匹配的字符串,$arr3[1][0][1]是到達(dá)第一個(gè)匹配字符串的邊界的偏移量(邊界算在內(nèi));
//實(shí)際應(yīng)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(gè)匹配到的字段可以用以下方法取得
$out[n-1][1]
//若正則表達(dá)式中存大多個(gè)括號,則取得句中第m個(gè)匹配點(diǎn)的方法是
$out[n-1][m]
5、取得要找到字符后,若要去掉html標(biāo)簽,使用PHP自帶的函數(shù)strip_tags即可方便地實(shí)現(xiàn)
//例
$result=strip_tags($out[0][1]);
- JS應(yīng)用正則表達(dá)式轉(zhuǎn)換大小寫示例
- C#正則表達(dá)式分解和轉(zhuǎn)換IP地址實(shí)例(C#正則表達(dá)式大全 c#正則表達(dá)式語法)
- PHP一些常用的正則表達(dá)式字符的一些轉(zhuǎn)換
- php實(shí)現(xiàn)使用正則將文本中的網(wǎng)址轉(zhuǎn)換成鏈接標(biāo)簽
- 正則一則 將金額轉(zhuǎn)換成人民幣大寫的代碼
- [a] 1 [/a]轉(zhuǎn)換為網(wǎng)址的UBB的正則
- 正則表達(dá)式實(shí)現(xiàn)將MM/DD/YYYY格式的日期轉(zhuǎn)換為YYYY-MM-DD格式
相關(guān)文章
PHP實(shí)現(xiàn)的sqlite數(shù)據(jù)庫連接類
這篇文章主要介紹了PHP實(shí)現(xiàn)的sqlite數(shù)據(jù)庫連接類,涉及針對SQLite數(shù)據(jù)庫的連接與增刪改查等sql操作用法,非常具有實(shí)用價(jià)值,需要的朋友可以參考下2014-12-12php使用get_class_methods()函數(shù)獲取分類的方法
這篇文章主要介紹了php使用get_class_methods()函數(shù)獲取分類的方法,結(jié)合實(shí)例形式分析了get_class_methods()函數(shù)獲取類中成員方法的使用技巧,需要的朋友可以參考下2016-07-07PHP生成驗(yàn)證碼時(shí)“圖像因其本身有錯(cuò)無法顯示”的解決方法
以下是對PHP生成驗(yàn)證碼時(shí)“圖像因其本身有錯(cuò)無法顯示”的解決方法進(jìn)行了詳細(xì)的分析介紹,需要的朋友可以過來參考下2013-08-08關(guān)于PHP session 存儲方式的詳細(xì)介紹
本篇文章是對PHP中的session存儲方式進(jìn)行了詳細(xì)的分析介紹,需要的朋友參考下2013-06-06php實(shí)現(xiàn)修改新聞時(shí)刪除圖片的方法
這篇文章主要介紹了php實(shí)現(xiàn)修改新聞時(shí)刪除圖片的方法,涉及php正則替換的相關(guān)技巧,需要的朋友可以參考下2015-05-05PHP實(shí)現(xiàn)二叉樹深度優(yōu)先遍歷(前序、中序、后序)和廣度優(yōu)先遍歷(層次)實(shí)例詳解
這篇文章主要介紹了PHP實(shí)現(xiàn)二叉樹深度優(yōu)先遍歷(前序、中序、后序)和廣度優(yōu)先遍歷(層次),結(jié)合實(shí)例形式詳細(xì)分析了php針對二叉樹的深度優(yōu)先遍歷與廣度優(yōu)先遍歷相關(guān)操作技巧與注意事項(xiàng),需要的朋友可以參考下2018-04-04