正则+PHP Simple HTML DOM采集文章

<?php

//包含PHP Simple html Dom 类库文件

include_once('./simplehtmldom/simple_html_dom.php');

 

//采集html

function getwebcontent($url){

    $ch = curl_init();

    $timeout = 10;

    curl_setopt($ch, CURLOPT_URL, $url);

    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

    curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1);

    $contents = trim(curl_exec($ch));

    curl_close($ch);

    return  $contents;

}

 

 

//获得标题和url

$string =

   getwebcontent('http://www.babytree.com/learn/zhunbeihuaiyun/jijibeiyun/2');

//正则匹配<li>获取标题和地址

preg_match_all ("/<li><a href=\"\/learn\/article\/(.*)\">(.*)<\/a>/",

                $string, $out, PREG_SET_ORDER);

 

foreach($out as $key => $value){

    $article['title'][]   = $out[$key][2];

    $article['link'][]    = "http://www.babytree.com/learn/article/".$out[$key][1];

}

 

//根据url获取文章内容

foreach($article['link'] as $key=>$value){

    $html = file_get_html($value);

    $div = $html->find('div[id=pagenum_0]');

    $article[content][] = $div[0]->innertext;

}

//标题转码---真正用的时候不用这步--因为咱本来就要用utf8的

//不转码还真不能保存成文件

foreach($article[title] as $key=>$value){

$article[title][$key] = iconv('utf-8', 'gbk', $value);//转码

}

//存入文件

$num = count($article['title']);

for($i=0; $i<$num; $i++){

 file_put_contents("{$article[title][$i]}.txt", $article['content'][$i]);

}

 

/*本来想12点之前发的。。但小看一下都3点半了。。。 就算昨天的吧

本来获取文章内容时用正则是最好的，速度也是最快的，

奈何正则是好，但正则表达式是真难！于是乎小查了一下，

网上也有很多人也在用PHP Simple Dom  虽然效率慢了点，但效果还是不错的

从包含类库文件到写入txt文件 大概是7/8就秒 还有带于进一步优化，特别是那获取文章内容时的正则，那个太恶心了

大家可以小研究一下*/

?>