PHP和字符集，正则表达式，以及最近做出来的程序

上次说到做关于选课网的软件。现在说干就干了～

 

大概思路说是：

通过某特定页面获取返回信息，然后再从HTML文本里截取东西。

看似很简单的东西，做起来可不容易。

 

 

首先CURL搞得不错（多亏当年用了几天搞出来的新PHP），得到页面很随意。

之后是去HTML标记和各种空格，函数如下：

string strip_tags(string $htmlpage);  //去HTML标记，还可以加参数，要求保留某些标记

string preg_replace("//s/","",$str);    //去除str中一切空白字符，什么tab，什么空格，什么换行。。这样的好处就是把所有文字都边成一片了。。。。

 

之后是内容的摘取。

原来也想用正则表达式来着，perl兼容的正则表达式似乎很高效也很NB，而ereg比较弱，也稍微简单点。

     但是蛋疼的是，PHP中如果要正则中文，就要用16进制编码来找它们。。。于是用了一晚上探究其中原因

     事实上PHP什么的虽然都可以显示中文页面，但它的字符处理都是按单字节字符处理的…然而GB2312或者GBK中，汉字都是双字节表示，于是你要想处理汉字，必须将汉字想象成2个BT的单字符组成的东西…而在UTF-8中，因为支持的字符更多，它用三个字节表示字符…于是换算变得更加复杂。。。。

     正当我想放弃的时候，mb_打头的函数给我了线希望──它帮我搞定了所有宽字符的问题，只要记得UTF8中的中文是3个字节就OK了。但是perg不支持这种东西，只有mb_ereg系列。。。。在我试验N次蛋疼无数之后，决定不用正则了。。自己写字符串操作吧！

大概用到了以下几个函数：

int mb_strpos($str,$find[,$start]); //返回str中匹配find的位置 string mb_substr($str,$start,$lenth); //上面是字符串的截取

 

需要注意的是，所有数字的表示，都认为汉字是3个字符(UTF8下)，所以如果要截3个汉字，应该让$lenth=9才可以。

 

然后用FOR循环读取N多网页，感觉速度还是很快的，30秒能显示1000多条。。。设计得当的话，估计还是可以用起来的。

 

值得一提的是，PHP里的数组太给力了！它的标号可以是有意义的名字，类似c中的结构体一样了。。。

比如：

$classinfo=array( "name"=>$name, //教师姓名 "teaID"=>GetID($str), //教师工号 "maxStu"=>GetMaxStu($str), //课程最大人数 "nowStu"=>GetNowStu($str), //课程已选人数 "classname"=>GetClassName($str), //课程名称 "classID"=>$classID, //课号，如010-(2010-2011-1)EI203 "remark"=>GetRemark($str), //备注 "year"=>$year, //学年，如2010-2011 "semester"=>$semester ); //学期，1或2

 

 

下一步计划：从csv文件中读取一学期的所有课程到数据库，里面有宝贵的上课时间，之后通过课程ID来与网上的数据联系。

至少要建立2个表了。。。从现在的情况来看。。。。

但是最郁闷的是在发送网页请求的时候，需要使用bsid=xxxxxxxx，是一个6位的数字，这个实在是没规律，只能穷举了…

除非。。。找到网络中心。。。。。算了。。。

 

希望日后能顺利一些！