php页面采集正则,PHP simple_html_dom.php+正则 采集文章代码

//包含PHP Simple html Dom 类库文件

include_once('./simplehtmldom/simple_html_dom.php');

//采集html

function getwebcontent($url){

$ch = curl_init();

$timeout = 10;

curl_setopt($ch, CURLOPT_URL, $url);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1);

$contents = trim(curl_exec($ch));

curl_close($ch);

return $contents;

}

//获得标题和url

$string =

getwebcontent('http://www.babytree.com/learn/zhunbeihuaiyun/jijibeiyun/2');

//正则匹配

获取标题和地址

preg_match_all ("/

(.*)/",

$string, $out, PREG_SET_ORDER);

foreach($out as $key => $value){

$article['title'][] = $out[$key][2];

$article['link'][] = "http://www.babytree.com/learn/article/".$out[$key][1];

}

//根据url获取文章内容

foreach($article['link'] as $key=>$value){

$html = file_get_html($value);

$div = $html->find('div[id=pagenum_0]');

$article[content][] = $div[0]->innertext;

}

//标题转码---真正用的时候不用这步--因为咱本来就要用utf8的

//不转码还真不能保存成文件

foreach($article[title] as $key=>$value){

$article[title][$key] = iconv('utf-8', 'gbk', $value);//转码

}

//存入文件

$num = count($article['title']);

for($i=0; $i

file_put_contents("{$article[title][$i]}.txt", $article['content'][$i]);

}

/*本来想12点之前发的。。但小看一下都3点半了。。。 就算昨天的吧

本来获取文章内容时用正则是最好的，速度也是最快的，

奈何正则是好，但正则表达式是真难！于是乎小查了一下，

网上也有很多人也在用PHP Simple Dom 虽然效率慢了点，但效果还是不错的

从包含类库文件到写入txt文件 大概是7/8就秒 还有带于进一步优化，特别是那获取文章内容时的正则，那个太恶心了

大家可以小研究一下*/

?>