基于curl数据采集之正则处理函数get_matches的使用
基于curl数据采集之正则处理函数get_matches的使用
发布时间:2016-12-29 来源:查字典编辑
摘要:根据前两篇的博文:基于curl数据采集之单页面采集函数get_html的使用基于curl数据采集之单页面并行采集函数get_htmls的使用...

根据前两篇的博文:

基于curl数据采集之单页面采集函数get_html的使用

基于curl数据采集之单页面并行采集函数get_htmls的使用

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:

复制代码 代码如下:

function get_matches($pattern,$html,$err_msg,$multi=false,$flags=0,$offset=0){

if(!$multi){

if(!preg_match($pattern,$html,$matches,$flags,$offset)){

echo $err_msg."! 错误信息: ".get_preg_err_msg()."n";

return false;

}

}else{

if(!preg_match_all($pattern,$html,$matches,$flags,$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:

复制代码 代码如下:

$url = 'http://www.baidu.com';

$html = get_html($url);

$matches = get_matches('!<a[^<]+</a>!',$html,'没有找到链接',true);

if($matches){

var_dump($matches);

}

或者这样调用:

复制代码 代码如下:

$urls = array('http://www.baidu.com','http://www.hao123.com');

$htmls = get_htmls($urls);

foreach($htmls as $html){

$matches = get_matches('!<a[^<]+</a>!',$html,'没有找到链接',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?

推荐文章
猜你喜欢
附近的人在看
推荐阅读
拓展阅读
相关阅读
网友关注
最新php教程学习
热门php教程学习
编程开发子分类