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