基于curl數據采集之正則處理函數get_matches的使用_PHP教程
推薦：基于curl數據采集之單頁面并行采集函數get_htmls的使用用第一篇的get_html()實現簡單的數據采集，由于是一個一個執行才采集數據的傳輸時間就會是所有頁面下載的總時長，一個頁面假設1秒，那么10個頁面就是10秒了。所幸curl還提供了并行處理的功能
根據前兩篇的博文：
已經可以得到了我們需要的html文件，現在需要處理得到的文件獲取到我們需要的采集的數據。
對于html文檔的解析，沒有像XML那樣的解析類，因為HTML文檔有很多不成對的標簽，很不嚴格。這個時候就需要采用其他的一些輔助類了，simplehtmldom是一個類似于JQuery方式操作HTML文檔的解析類。可以很方便的得到想要的數據，可惜速度慢。這里不是我們這里討論的重點，我主要使用正則來匹配我所需要的采集的數據，可以很快速的得到我需要采集的信息。
考慮到get_html可以判斷返回的數據,但是get_htmls沒有辦法判斷，為了方便調式和調用寫了如下兩個函數：
復制代碼 代碼如下:www.ghpqjb.com
function get_matches($pattern,$html,$err_msg,$multi=false,$flags=0,$offset=0){
if(!$multi){
if(!preg_match($pattern,$html,$matches,$flags,$offset)){
echo $err_msg."! 錯誤信息: ".get_preg_err_msg()."\n";
return false;
}
}else{
if(!preg_match_all($pattern,$html,$matches,$flags,$offset)){
echo $err_msg."! 錯誤信息: ".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 '未知錯誤!';
}
return $err_msg.': '.$error_code;
}
可以這樣調用：
復制代碼 代碼如下:www.ghpqjb.com
$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);
}
或者這樣調用：
復制代碼 代碼如下:www.ghpqjb.com
$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，無論單頁面采集還是多頁面采集，最終PHP還是只能處理一個頁面，由于使用get_matches了，可以對返回的值進行判斷真假，得到正確的數據，由于使用正則的時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。
由于采集數據的時候，經常是采集列表頁，根據列表頁得到的內容頁鏈接再采集內容頁，或者更多的層次，那么循環嵌套會很多，對于代碼的控制會感覺力不從心。那我們是否可以把采集列表頁的代碼和采集內容頁的代碼，或者更多的層次的采集代碼分離開，甚至循環都簡化呢？
分享：php獲取本地圖片文件并生成xml文件輸出具體思路本文將詳細介紹下php獲取本地圖片文件并生成xml文件輸出，代碼簡單實用，感興趣的朋友可以參考下哈，希望對你學習php有所幫助
相關PHP教程：
- 相關鏈接：
- 教程說明：
PHP教程-基于curl數據采集之正則處理函數get_matches的使用
。