基于curl數(shù)據(jù)采集之正則處理函數(shù)get_matches的使用

更新時(shí)間：2013年04月28日 17:20:28 作者：

本篇文章介紹了，基于curl數(shù)據(jù)采集之正則處理函數(shù)get_matches的使用。需要的朋友參考下

根據(jù)前兩篇的博文：

基于curl數(shù)據(jù)采集之單頁(yè)面采集函數(shù)get_html的使用

基于curl數(shù)據(jù)采集之單頁(yè)面并行采集函數(shù)get_htmls的使用

已經(jīng)可以得到了我們需要的html文件，現(xiàn)在需要處理得到的文件獲取到我們需要的采集的數(shù)據(jù)。

對(duì)于html文檔的解析，沒有像XML那樣的解析類，因?yàn)镠TML文檔有很多不成對(duì)的標(biāo)簽，很不嚴(yán)格。這個(gè)時(shí)候就需要采用其他的一些輔助類了，simplehtmldom是一個(gè)類似于JQuery方式操作HTML文檔的解析類。可以很方便的得到想要的數(shù)據(jù)，可惜速度慢。這里不是我們這里討論的重點(diǎn)，我主要使用正則來匹配我所需要的采集的數(shù)據(jù)，可以很快速的得到我需要采集的信息。

考慮到get_html可以判斷返回的數(shù)據(jù),但是get_htmls沒有辦法判斷，為了方便調(diào)式和調(diào)用寫了如下兩個(gè)函數(shù)：

復(fù)制代碼代碼如下:

function get_matches($pattern,$html,$err_msg,$multi=false,$flags=0,$offset=0){
     if(!$multi){
         if(!preg_match($pattern,$html,$matches,$flags,$offset)){
             echo $err_msg."! 錯(cuò)誤信息: ".get_preg_err_msg()."\n";
             return false;
         }
     }else{
         if(!preg_match_all($pattern,$html,$matches,$flags,$offset)){
             echo $err_msg."! 錯(cuò)誤信息: ".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 '未知錯(cuò)誤!';
     }
     return $err_msg.': '.$error_code;
 }

可以這樣調(diào)用：

復(fù)制代碼代碼如下:

$url = 'http://www.baidu.com';
 $html = get_html($url);
 $matches = get_matches('!<a[^<]+</a>!',$html,'沒有找到鏈接',true);
 if($matches){
     var_dump($matches);
 }

或者這樣調(diào)用：

復(fù)制代碼代碼如下:

$urls = array('http://www.baidu.com','http://www.hao123.com');
 $htmls = get_htmls($urls);
 foreach($htmls as $html){
     $matches = get_matches('!<a[^<]+</a>!',$html,'沒有找到鏈接',true);
     if($matches){
         var_dump($matches);
     }
 }

就可以得到所需的信息，無論單頁(yè)面采集還是多頁(yè)面采集，最終PHP還是只能處理一個(gè)頁(yè)面，由于使用get_matches了，可以對(duì)返回的值進(jìn)行判斷真假，得到正確的數(shù)據(jù)，由于使用正則的時(shí)候遇到了超過正則回溯的問題，增加get_preg_err_msg來提示正則信息。

由于采集數(shù)據(jù)的時(shí)候，經(jīng)常是采集列表頁(yè)，根據(jù)列表頁(yè)得到的內(nèi)容頁(yè)鏈接再采集內(nèi)容頁(yè)，或者更多的層次，那么循環(huán)嵌套會(huì)很多，對(duì)于代碼的控制會(huì)感覺力不從心。那我們是否可以把采集列表頁(yè)的代碼和采集內(nèi)容頁(yè)的代碼，或者更多的層次的采集代碼分離開，甚至循環(huán)都簡(jiǎn)化呢？

您可能感興趣的文章: