php 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
  1. 使用curl实现站外采集

    具体请参考我上一篇笔记

  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:

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

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

    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);
    //实际应用
    preg_match_all('/<pclass=\"content\">(.*?)<\/p>/',$contents, $out, PREG_SET_ORDER);
    $out将获取到所有匹配的元素
    $out[0][0]将是包括<pclass=\"content\"></p>在内的全段字符
    $out[0][1]将是仅包括(.*?)括号内所匹配到的字符段
     
    //如此类推,第n个匹配到的字段可以用以下方法取得
    $out[n-1][1]
     
    //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
    $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

     //例
     $result=strip_tags($out[0][1]);
若您觉得我的博文对您有帮助,欢迎点击下方按钮对我打赏
打赏