小米笔记 - 坏记性不如烂笔头

PHP - 使用正则表达式抓取网页内容

昨天有个朋友在问我说,php怎么抓取网页某个div区块的内容。每次发布文章都会显示文章内的图片,提供缩略图,又是怎麽做到的?其实这语法出乎意料的简短… :razz:

1. 取得指定网页内的所有图片:

<?php
//取得指定位置的内容,并储存至text
$text=file_get_contents('http://notemi.cn/');
//取得所有img标签,并储存至二维阵列match
preg_match_all('#<img[^>]*>#i', $text, $match);
//印出match
print_r($match);
?>

2. 取得指定网页内的第一张图片

<?php
//取得指定位置的内容,并储存至text
$text=file_get_contents('http://notemi.cn/');
//取得第一个img标签,并储存至阵列match(regex语法与上述同义)
preg_match('/<img[^>]*>/Ui', $text, $match);
//印出match
print_r($match);
?>

3. 取得指定网页内的特定div区块(由id判断)

<?php
//取得指定位置的内容,并储存至text
$text=file_get_contents('http://notemi.cn/two-methods-of-session-access-springmvc.html');
//去除换行及空白字元(序列化内容才需使用)
//$text=str_replace(array("\r","\n","\t","\s"), '', $text);
//取出div标签且id为PostContent的内容,并储存至阵列match
preg_match('/<div[^>]*id="footer"[^>]*>(.*?) <\/div>/si',$text,$match);
//印出match[0]
print($match[0]);
?>

4. 上述2及3的结合

<?php
//取得指定位置的内容,并储存至text
$text=file_get_contents('http://notemi.cn/two-methods-of-session-access-springmvc.html');
//取出div标签且id为PostContent的内容,并储存至阵列match
preg_match('/<div[^>]*id="footer"[^>]*>(.*?) <\/div>/si',$text,$match);
//取得第一个img标签,并储存至阵列match2
preg_match('/<img[^>]*>/Ui', $match[0], $match2);
//印出match2[0]
print_r($match2[0]);
?>

当前页面是本站的「Google AMP」版。查看和发表评论请点击:完整版 »