正则表达式采集网页内容函数

古城微笑少年丶 2021-11-27 04:18 232阅读 0赞

[正则表达式采集网页内容函数][Link 1]

自己写的正则表达式提取采集网页内容函数，求人完善优化与交流！QQ:8968737

<?php
    $content='<a href="http://www.baiduc.om">百度</a>';
    $rule = '<a href="||u">|title|</a>';
    $arr = preg_message($content, $rule);
    print_r($arr);
    
    /**
     按正则表达式提取需要的内容
     规定：
     |[关键字]|[属性]       提取文本，其中关键字和属性是可限项，属性符占一个字符
     *                    匹配任意文本
     关键字命名规范 ：单词、数字和下划线任意组合
    属性：
     u:提取的字串是URL
     p:提取的字串是URL
     +:提取的字串可合并到关键字相同的内容中
    返回：
      提取到的内容
     访问：
        如果||里面有关键字，则按返回数组的键名为关键字;如果没有关键字，则按所在位置访问。
       只提取一项内容时，直接返回提取的内容
     */
    function preg_message($content,$rule,$all=false){
        $result=false;
        if(!preg_match_all('#\|(?<key>[\w]*?)\|(?<mode>[up\+]?)#i', $rule,$ruleArr)) return false;
        $getArr = $ruleArr[0];
        $keyArr = $ruleArr['key'];
        $modeArr = $ruleArr['mode'];
        foreach($keyArr as $k=>$key){
            $search[]=preg_quote($getArr[$k]);
            $repalce[] = preg_replace(array('#^\|\|$#','#^\|([\w]+)#','#^\|#','#\|$#','#\|u$#i','#\|p$#i'),array('([\s\S]+?)',"(?<$key>",'(','[\s\S]+?)','[^>\'\"]+?)','[^>\'\"]+?)'),$getArr[$k]);
        }
         $rule=preg_quote($rule);
        $rule=str_replace('\*','[\s\S]*?',$rule);
        $rule=str_replace($search,$repalce,$rule);
        $rule="#$rule#i";
    
        if($all) preg_match_all($rule,$content,$arr);
        else preg_match($rule,$content,$arr);
        if(empty($arr) || !is_array($arr)) return false;
        if(count($getArr)==1) return $arr[1];
        foreach($keyArr as $k=>$key){
            if(empty($key)) $result[$k+1] = $arr[$k+1];
            else $result[$key]=$arr[$key];
        }
        return $result;
    }
    ?>

posted on 2012-06-16 19:16 [Likeping's Blog][Likeping_s Blog] 阅读( ...) 评论( ...) [编辑][Link 2] 收藏

转载于:https://www.cnblogs.com/likeping/archive/2012/06/16/2552040.html

[Link 1]: https://www.cnblogs.com/likeping/archive/2012/06/16/2552040.html
[Likeping_s Blog]: https://www.cnblogs.com/likeping/
[Link 2]: https://i.cnblogs.com/EditPosts.aspx?postid=2552040