正则表达式的简单应用:使用正则表达式采集腾讯新闻
2016-03-31 20:14
399 查看
正则表达式的简单应用:使用正则表达式采集腾讯新闻
正则表达式(Regular Expression)是比较繁琐的,要记的东西比较多,因此我一直都没有腾出时间专门好好研究一下正则表达式,最近网站需要用到PHP的CURL获取腾讯新闻,所以就认真地学了一下正则表达式。正则表达式是非常强大的,学会了正则表达式,在以后的文本匹配中,那是杠杠的。话不多说,进入正题。关于正则表达式的一些基础语法,大家可以看一下下面的参考链接,讲解非常到位。
引用《深入正则表达式应用》的“正则三段论”:定锚点,去噪点,取数据。
1. 首先,我想要从http://tech.qq.com/获取科技新闻头条,以及新闻列表,如图所示。
2. 点击“查看网页源代码”Ctrl+ F找到我们需要的那一段代码,如图
可以发现每个标签都有一个新闻标签都是由“Q-tpListInner”的div包起来的,,并且我们要取出的url 在a 标签的href中, 要取的新闻标题在img的alt中,这就是传说的“定锚点、去噪点”的过程了;
3. 然后就是直接用正则表达式取出我们需要的数据了。
新闻列表的正则表达式:
'/Q-tpListInner.*?href="(.*?)".*?alt="(.*?)">/s';
科技新闻标题的正则表达式:
'/<div class="txt"bosszone="Headlines_tech_1">.*?href="(.*?)".*?>(.*?)<\/a>/s';
PHP源代码:
function techNews() {// PS:PHP的CURL请自行补脑
$url = 'http://tech.qq.com';
$ch = curl_init($url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
$content = curl_exec($ch);
curl_close($ch);
$content = iconv('gb2312', 'utf-8//IGNORE',$content); //修改字符编码
/*
* 获取腾讯新闻头条
*/
$data = array();
$data_cnt = 0;
$matches = array();
$pattern = '/<div class="txt" bosszone="Headlines_tech_1">.*?href="(.*?)".*?>(.*?)<\/a>/s';
preg_match($pattern, $content, $matches);
$data[$data_cnt]['url'] = $matches[1];
$data[$data_cnt++]['intro'] = $matches[2];
/*
* 获取腾讯新闻列表
*/
$matches = array();
$pattern = '/Q-tpListInner.*?href="(.*?)".*? alt="(.*?)">/s';
preg_match_all($pattern, $content, $matches);
// var_dump($matches);
for ($i = 0; $i < count($matches[1]); $i++) {
$data[$data_cnt]['url'] = $matches[1][$i];
$data[$data_cnt++]['intro'] = $matches[2][$i];
}
var_dump($data);
}
运行结果截图:
如果出现乱码,转化一下字符编码就行了。
参考链接:
[1] 正则表达式30分钟入门教程http://www.jb51.net/tools/zhengze.html[2] 我眼里的正则表达式(入门)http://www.zjmainstay.cn/my-regexp
[3] 深入正则表达式应用 http://www.zjmainstay.cn/deep-regexp
相关文章推荐
- 判断素数并求和用平方根算法(C语言)
- TaintDroid下载与编译(四):TaintDroid下载和编译
- mongoDB——router server
- malloc的一些
- Android之BroadcastReceiver(Android中的广播接收器)
- 《Linux内核分析》第七周 读书笔记
- 为eclipse的lib文件夹中的jar包关联源码说明
- 为eclipse的lib文件夹中的jar包关联源码说明
- C++中的GetTickCount()和Sleep()
- hdu 1532 Drainage Ditches【最大流】
- POJ 2361 Tic Tac Toe
- 将博客搬至CSDN
- select 中option 值在不同游览器的取值问题
- 面试准备android(二)
- 周心得和总结
- Percona Toolkit 学习(三)(pt-duplicate-key-checker,Pt-find,pt-fk-error-logger)
- Android6.0权限管理以及使用权限该注意的地方
- Swing组件的构造函数
- 大家来找茬-SpringMVC中Tomcat正常启动,始终访问不了Controller,出404错
- IOS9.0中Alert的创建