preg_ベースmatch_all採集後のデータ処理の心得メモ(符号化変換と正則マッチング)

1、curlを使用して局外採集を実現する
具体的には私の前のメモを参考にしてください://www.jb 51.net/article/46432.htm
2、コード変換まずソースコードを見て採集したウェブサイトで使用したコードを見つけ、mb_を通じてconvert_encoding関数はトランスコードされます.
使用方法:

 
  
//    $str 
  
 
  
//        GBK，   utf-8 
  
mb_convert_encoding($str, "UTF-8", "GBK"); 
  
 
  
//       ，  auto     ，     utf-8 
  
mb_convert_encoding($str, "UTF-8", "auto"); 
  
 
 

3、改行やスペースなどの不定要素の障害をよりよく避けるためには、採取したソースコードの改行、スペース、タブをクリアする必要がある

 
  
//   ，  str_replace     
  
$contents = str_replace("\r
", '', $contents); //      
  
$contents = str_replace("
", '', $contents); //      
  
$contents = str_replace("\t", '', $contents); //      
  
$contents = str_replace(" ", '', $contents); //      
  
 
  
//   ，            
  
$contents = preg_replace("/([\r
|
|\t| ]+)/",'',$contents); 
  
 
 

4、正規表現マッチングによって必要なコードセグメントを探し出し、preg_を使用するmatch_allこのマッチングを実現

 
  
    ： 
  
int preg_match_all ( string pattern, string subject, array matches [, int flags] ) 
  
pattern       
  
subject          
  
matches             
  
flags      ，  ： 
  
    PREG_PATTERN_ORDER;  //         ，$arr1[0]                ，$arr1[1]                 
  
    PREG_SET_ORDER;  //         ，$arr2[0][0]                  ，$arr2[0][1]                  ，          
  
    PREG_OFFSET_CAPTURE;  //         ，$arr3[0][0][0]                  ，$arr3[0][0][1]                  （      ），      ，$arr2[1][0][0]                  ，$arr3[1][0][1]                  （     ）; 
  
 
  
//     
  
preg_match_all('/(.*?)/',$contents, $out, PREG_SET_ORDER); 
  
$out            
  
$out[0][0]            
  
$out[0][1]     (.*?)            
  
 
  
//    ， n                 
  
$out[n-1][1] 
  
 
  
//             ，      m         
  
$out[n-1][m] 
  
 
 

5、文字を取得した後、htmlタグを外すには、PHPが持つ関数strip_を使うtagsは便利に実現できる

 
  
//  
  
$result=strip_tags($out[0][1]);