这篇文章主要介绍了采集后数据处理的一点心得笔记，编码转换和正则匹配，基于preg_match_all,需要的朋友可以参考下

1、使用curl实现站外采集

2、编码转换

首先通过查看源代码找到采集的网站使用的编码，通过mb_convert_encoding函数进行转码；

具体使用方法：

1. //源字符是$str  
2.  
3. //以下已知原编码为GBK，转换为utf-8  
4. mb_convert_encoding($str, "UTF-8", "GBK");  
5.  
6. //以下未知原编码，通过auto自动检测后，转换编码为utf-8  
7. mb_convert_encoding($str, "UTF-8", "auto"); 

3、为更好地避开换行符和空格等不定因素的阻碍，有必要先清除采集到的源码中的换行符、空格符和制表符，代码如下:

1. //方法一，使用str_replace进行替换  
2. $contents = str_replace("\r\n", '', $contents); //清除换行符  
3. $contents = str_replace("\n", '', $contents); //清除换行符  
4. $contents = str_replace("\t", '', $contents); //清除制表符  
5. $contents = str_replace(" ", '', $contents); //清除空格符  
6.  
7. //方法二，使用正则表达式进行替换  
8. $contents = preg_replace("/([\r\n|\n|\t| ]+)/",'',$contents); 

4、通过正则表达式匹配找出需要获得的代码段，使用preg_match_all实现该匹配，代码如下:

函数解释：

int preg_match_all ( string pattern, string subject, array matches [, int flags] )

pattern即正规表达式

subject即要进行查找的原文

matches是用于储存输出结果的数组

flags是储存的模式，包括：

PREG_PATTERN_ORDER;  //整个数组是二维数组，$arr1[0]是包括边界所构成匹配字符串的数组，$arr1[1]除去边界所构成的匹配字符串的数组

PREG_SET_ORDER;  //整个数组是二维数组，$arr2[0][0]是第一个包括边界所构成的匹配的字符串，$arr2[0][1]是第一个除去边界所构成的匹配的字符串，之后的数组以此类推

PREG_OFFSET_CAPTURE;  //整个数组是三维数组，$arr3[0][0][0]是第一个包括边界所构成的匹配的字符串，$arr3[0][0][1]是到达第一个匹配字符串的边界的偏移量（边界不算在内），之后以此类推，$arr2[1][0][0]是第一个包括边界所构成的匹配的字符串，$arr3[1][0][1]是到达第一个匹配字符串的边界的偏移量（边界算在内）; 

1. //实际应用  
2. preg_match_all('/<pclass=\"content\">(.*?)<\/p>/',$contents, $out, PREG_SET_ORDER);  
3. $out将获取到所有匹配的元素  
4. $out[0][0]将是包括<pclass=\"content\"></p>在内的全段字符  
5. $out[0][1]将是仅包括(.*?)括号内所匹配到的字符段  
6.  
7. //如此类推，第n个匹配到的字段可以用以下方法取得  
8. $out[n-1][1]  
9.  
10. //若正则表达式中存大多个括号，则取得句中第m个匹配点的方法是  
11. $out[n-1][m] 

5、取得要找到字符后，若要去掉html标签，使用PHP自带的函数strip_tags即可方便地实现，代码如下:

$result=strip_tags($out[0][1]);

Tags: preg_match_all

分享到：