1、使用curl实现站外采集

具体请参考我上一篇笔记：http://www.jb51.net/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：

复制代码 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, "UTF-8", "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

复制代码 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

复制代码 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('/<pclass="content">(.*?)</p>/',$contents, $out, PREG_SET_ORDER);

$out将获取到所有匹配的元素

$out[0][0]将是包括<pclass="content"></p>在内的全段字符

$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

复制代码 代码如下:

//例

$result=strip_tags($out[0][1]);