PHP应用正则表达式分析RSS

     最近做了一个读取中国新闻网RSS的页面。
    首先是把RSS文档下载下来保存到本地

1. $xmlfile = 'news/'.date('YmdH').'.xml'; 
2. $sourcexml =   'http://www.chinanews.com.cn/rss/scroll-news.xml'; 
3. if( !file_exists($xmlfile) ) { 
4. $str = @file($sourcexml) or die('加载文件时出错。'); 
5. $fp = fopen($xmlfile,'w') or die('写缓存失败!'); 
6. fputs($fp,$str); 
7. fclose($fp); 

   然后用simplexml读取并输出HTML

1. $xml = simplexml_load_file($xmlfile); 
2. $c = $xml->channel;   
3. $k = 0; 
4. foreach($c->item as $v) { 
5. $k ++; 
6. echo "  
7. <div class=/"newsline/">·<a title=/"$v->title/" href=/"$v->link/" target=/"_blank/">$v->title</a></div>
8. ";

   后来遇到了一个问题，就是RSS中经常包含有一些GBK的繁体字。google了很多字符集转换方面的文章。得出一个解法：

1. $str = mb_convert_encoding( join('',$str), "gb2312", "GBK");

这个方法并不能繁体转为简体，会转成一个乱码，但至少能保证simplexml_load_file($xmlfile)执行成功。因为这些繁体字通常出现在描述里

，暂且接受。

   再后来遇到另一个问题，描述里出现了形如“中新网12月30日电(闻育e?”的乱码，simplexml_load_file失败。
   至此考虑用正则表达式获取标题和链接。（有文章说正则表达式效率可能更好，以后再验证）
   代码如下：

1. $fp = fopen($xmlfile,'r');
2.  if($fp)
3.  { 
4.   $data = fread($fp,filesize($xmlfile));
5.    fclose($fp);  
6.   preg_match_all(
7.   "/<item><title>(.*?)<//title><link>(.*?)<//link>/i",$data,$out,PREG_SET_ORDER);
8.   foreach($out as $key => $v) 
9.   {  
10.   $v[1] = iconv('gbk','utf-8',$v[1]);
12.    echo "  
13.    <div class=/"newsline/">·<a title=/"$v[1]/" href=/"$v[2]/" target=/"_blank/">$v[1]</a></div>
14.    "; 
16.   }
17.  }