[正則]請問采集如何識別用戶標簽的呢?

diychen

1. 
   
2. <?
   
3. $body = "()
   
4.                         href='/01/22/394142.htm' target=_blank
   
5.                         >哲理小品：偷不走的陽光</";
   
6. $rules = "/href=\'(.+?)\' target=_blank
   
7.                   >(.+?)<\//is";
   
8. preg_match($rules, $body, $URL);
   
9. echo $URL[1] .'和'. $URL[2];
   
10. ?>
    

復制代碼

喬喬老大,幫幫忙~~

ps:怕挨刪帖,反復多次修改了帖子標題,從行動上堅決支持喬喬,老大經(jīng)常在MSN上給我提供幫助,呵呵.

[ 本帖最后由 diychen 于 2005-11-26 21:40 編輯 ]

trask

這是我現(xiàn)在所用的。

1. <?php
   
2. 
   
3. $str ='<a href=\'/01/22/394142.htm\' target=_blank>哲理小品：偷不走的陽光</a>';
   
4. /* 超鏈接標題 */
   
5. preg_match_all( "/>(.*?)<\/a>/i", $str, $hreft );
   
6. /* 超鏈接內(nèi)容 */
   
7. preg_match_all( "/href=(\"|'|)(.*?)(\"|'|)[[:space:]]/i", $str, $hrefc );
   
8. 
   
9. $strResult[1] = $hreft[1][0];
   
10. $strResult[2] = $hrefc[2][0];
    
11. 
    
12. echo '<pre>';
    
13. print_r($strResult);
    
14. echo '</pre>';
    
15. 
    
16. ?>

復制代碼

輸出:

1. Array
   
2. (
   
3.     [1] => 哲理小品：偷不走的陽光
   
4.     [2] => /01/22/394142.htm
   
5. )

復制代碼

diychen

謝謝樓上的兄弟,你是不是開花石頭啊?
我修改了我的PHP代碼如下通過:

1. 
   
2. <?
   
3. $body = "()
   
4.                         href='/01/22/394142.htm' target=_blank
   
5.                         >哲理小品：偷不走的陽光</";
   
6. 
   
7. $rules = "/href=\'(.+?)\'/";
   
8. 
   
9. preg_match($rules, $body, $URL);
   
10. 
    
11. $rules = "/>(.+?)</";
    
12. 
    
13. preg_match($rules, $body, $TITLE);
    
14. echo $TITLE[1] .'和'. $URL[1];
    
15. ?>
    

復制代碼

trask

我不是石頭，這是石頭逆向發(fā)布中摘取的。

diychen

對了,那就順便再問個問題,
大家注意到很多采集程序可以讓用戶填寫[內(nèi)容][標題]等標簽.
但程序是怎么樣判斷到底采回來的內(nèi)容是什么的呢?
因為我們其實最終都會幫用戶將這些表達式翻譯成正則,
如果我這樣寫:
<a href=[地址]>[標題]</a>
當然程序可以直接翻譯成正則,因為很明顯
preg_match后,第一個元素是地址,第二個是標題.
于是就$url = $Data[1];
$title = $Data[2];
但是假如是有這樣的內(nèi)容,我想做采集,用戶使用了[可變數(shù)據(jù)]標簽,那我們的程序如何獲得呢?
HTML內(nèi)容是:
<a href=/society.html>(社會)</a><a href=fdsfa87fdss8d7f9sa8.html>第一條標題</a>
<a href=/tech.html>(科技)</a><a href=fdsfa87fd87fd65of9h.html>第二條標題</a>
那么用戶就必須這樣寫采集規(guī)則:
<a href=/[可變數(shù)據(jù)]>([可變數(shù)據(jù)])</a><a href=[地址]>[標題]</a>
那我們的程序這時候如何識別,獲得地址和標題?

ps:喬喬如果覺得這個屬于新的話題我就另開個新主題好了.

trask

你可以安裝一下石頭的逆向發(fā)布來看一看。

留意php采集也好久了，眾多人普遍看法是如果要做成通用型式，還有點困難。大多是具體情況具體分析。你可以酌情為你不同的用戶考慮不同“采集規(guī)則”，盡量別提供什么可變數(shù)據(jù)。網(wǎng)頁內(nèi)容千差萬錯。要客戶在“可變”使用上遇到錯誤，就說你程序不爽。

考慮使用石頭的流程：
先采集列表頁（切取首尾不需要的內(nèi)容，大多是站點欄目連接、廣告之類）入庫---->根據(jù)入庫的列表數(shù)據(jù)，選擇是否抓�。ㄌ崛×斜碇械牡刂�，讀取遠端網(wǎng)頁內(nèi)容，然后切取主要內(nèi)容<標題、正文>）。

這中間都有切取首尾操作，大可向用戶解釋清楚，在所切取內(nèi)容時的選取“首”“尾”標記，一定要是該標記在所抓網(wǎng)頁中唯一出現(xiàn)的，這樣的準確度也高一些。

昨晚我也忙了一宿，主要是src=的路徑修正。這個標簽參數(shù)在img、js、swf中經(jīng)常使用，也夠煩人的。好些網(wǎng)頁并不按標準來寫（如src="(雙引)"    src='單引'），較為煩人的是還有比如<img name="id" src=/>這樣的。

diychen

呵呵,挺難的.

HonestQiao

http://www.72891.cn/viewthread.php?tid=642112

這個基本非常好用了。