PHP处理文本和爬虫技巧

• 用 php 处理注意，explode()拆分字符串，返回给一个变量便是将拆分出的东西依次存进这个变量，返回给一个list(变量1，变量2，……)则是将拆分出的东西分别存到变量1，变量2，……。
• 结合 array_fliter() 过滤的时候，如果不给回调函数过滤不干净的时候，可以在增加过滤回调函数，排除 "\r\n" 和 原本的 FALSE（不写过滤回调函数的时候默认就是这个FALSE）。
• 调试可用file_put_contents("/home/search/result", var_export(['time'=> date('Y-m-d H:i:s'),'res'=>$result], true)."\n", FILE_APPEND);

";
        $arr[] = fgets($file);
    }
    while(!feof($fileCity))
    {
        $city[] = fgets($fileCity);
    }
    //print_r($arr);
    
    foreach($arr as $a){
        list($term[]) = explode("   ",$a);
    }
    echo '
';
    print_r($term);
    echo '
';
    
    $city = array_filter($city);
    
    print_r($city);
    
    function gl($gg){
        if($gg == "\r\n" or $gg == FALSE)   //要用\r\n这个才能过滤掉某些windows里面的换行，还需要加上默认的FALSE，不然也可能滤不干净
            return 0;
        else
            return 1;
    }
    
    foreach($city as $c){                   
        $cityAlone[] = array_filter(explode("\t",$c),"gl");   //array_filter不使用第二个参数回调函数的话默认是过滤FALSE
    }
        
    echo '
';
    echo '
';
    print_r($cityAlone);
    echo '
';
    echo '
';
    print_r(array_filter($cityAlone[0]));
        
    foreach($term as $key=>$te){
        foreach(array_filter($cityAlone[$key]) as $ci){
            echo $ci.$te.'
';    
        }   
    }
    
    fclose($fileCity);
    fclose($file);
?>

';
    // print_r($zaci2);
    // print_r($leimu);
    // print_r($city);
    // print_r($zaci1);
    // echo '

'; /* foreach($city as $c){ foreach($leimu as $l){ foreach($zaci1 as $zOne){ $combRes[] = $c.$l.$zOne; } } } foreach($city as $c){ foreach($leimu as $l){ foreach($zaci2 as $zTwo){ $combRes[] = $c.$zTwo.$l; } } } foreach($city as $c){ foreach($leimu as $l){ $combRes[] = $c.$l; } } */ foreach($leimu as $l){ foreach($zaci1 as $zOne){ $combRes[] = $l.$zOne; } } foreach($zaci2 as $zTwo){ foreach($leimu as $l){ $combRes[] = $zTwo.$l; } } foreach($leimu as $l){ $combRes[] = $l; } $combRes = implode("\r\n", $combRes); //想要打印到txt中，能有换行的效果，需要添加这个 file_put_contents("456.txt",$combRes); // echo gettype($combRes); echo '

';
    print_r($combRes);
    echo '

'; fclose($fileLeimu); fclose($fileCity); fclose($fileZaci1);

---

获取页面某标签中的内容，若是能借助下载simplehtmldom类打开操作的话，dom方便。若打不开，则用file_get_contents或者curl（网上说效率更高），读取全文内容，然后用正则匹配来做。

find('loc') as $loc){
        $locTextRecord[] = $loc->plaintext;
    }
     
     // $htmltest = file_get_contents($locTextRecord[4]);
     
    foreach($locTextRecord as $everyLoc){
        $htmltest = file_get_contents($everyLoc);
     
        $reg = '/\(.*?)\<\/catg\>/is';
        if(preg_match_all($reg, $htmltest, $arr)) {
            foreach($arr[1] as $a){
                
                $record[] = $a;
            }
        } else {
            echo "匹配失败!
";
        }
    }
    $record = array_unique($record);
    foreach($record as $r){
        var_dump($r);   //利用 var_dump 来查看变量类型，可以调试和直接在网页上复制用。
    }
    $html->clear();
?>

---

一个主xml下含很多子标签，在所有xml中，查找某个字符串：

(.*?)\<\/loc\>/is';
    if(preg_match_all($reg, $mainHtml, $arr)) {
        foreach($arr[1] as $a){
            $locTextRecord[] = $a;
        }
    } else {
        echo "loc匹配失败!
";
    }
    //var_dump($locTextRecord);
     
    foreach($locTextRecord as $everyLoc){
        $htmlTest = file_get_contents($everyLoc);

        //$aim = 'https://baidu.com?srcid%3D1000%26id%3D10034_5467_%E5%8C%97%E4%BA%AC';
        $aim = '搬家';
        if(strpos($htmlTest, $aim)) {
            $record[] = $everyLoc;
        } else {
            echo "aim匹配失败!
";
        }
    }
    //$record = array_unique($record);
    foreach($record as $r){
        var_dump($r);   //利用 var_dump 来查看变量类型，可以调试和直接在网页上复制用。
    }
?>

注意：
preg_match()的第三个参数：如果提供了参数matches，它将被填充为搜索结果。 $matches[0]将包含完整模式匹配到的文本， $matches[1] 将包含第一个捕获子组匹配到的文本，以此类推。
preg_match_all()的第三个参数：多维数组，作为输出参数输出所有匹配结果, 数组排序通过flags指定。