php正则表达式采集

A. php 正则表达式 网页采集为什么源代码一换行 模式也换行 就是匹配不到

php里的.不能匹配换行，可以使用[sS]替换.

或者添加s模式修饰符，如：

$pattern='#<div>[sS]*?</div>#';
或
$pattern='#<div>.*?</div>#s';

更多正则问题，请参考我的博客《我眼里的正则表达式入门教程》

B. PHP如何正则表达式提取网页内容

如果你要<div class="nav" monkey="nav">和<div class="head-ad">之间的所有源码，用 preg_match 就可以，不用preg_match_all ，如果你要里面的所有的 <li></li>标签中的内容，可以用preg_match_all

//提取所有代码
$pattern = '/<div class="nav" monkey="nav">(.+?)<div class="head-ad">/is';
preg_match($pattern, $string, $match);
//$match[0] 即为<div class="nav" monkey="nav">和<div class="head-ad">之间的所有源码
echo $match[0];

//然后再提取<li></li>之间的内容
$pattern = '/<li.*?>(.+?)<\/li>/is';

preg_match_all($pattern, $match[0], $results);
$new_arr=array_unique($results[0]);

foreach($new_arr as $kkk){
echo $kkk;

}

C. php 百度 知道数据采集

问题其实不难，自己都能写。给你几个思路吧：
1.在网络知道中，输入linux，然后会出现列表。复制浏览器地址栏内容。
然后翻页，在复制地址栏内容，看看有什么不同，不同之处，就是你要循环分页的i值。
当然这个是笨方法。
2.使用php的file或者file_get_contents函数，获取链接URL的内容。
3.通过php正则表达式，获取你需要的3个字段内容。
4.写入数据库。

需要注意的是，网络知道有可能做了防抓取的功能，你刚一抓几个页面，可能会被禁止。
建议也就抓10页数据。

其实不难，你肯定写的出来。 还有，网上应该有很多抓取工具，你找找看，然后将抓下来的数据
在做分析。写入数据库。

D. PHP 正则表达式总结

PHP 正则表达式总结

1.PHP中两个常用的正则函数

a.preg_match 正则函数，以perl语言为基础

语法：preg_match( mode,string subject,array matches)

说明：mode参数---- 正则的模块，也就是正则表达式（语法）

subject参数---- 正则的内容

matches参数---- 正则的结果（获得一个数组的形式）

b.ereg 正则函数，以POSIX基础（Unix、Script）

语法：ereg(mode ,string subject, array regs)

2.正则表达式中包括的元素

a.原子（普通字符：a-z A-Z 0-9 、原子表、转义字符）

b.元字符（有特殊功能的字符，如：# 、*）

c.模式修正符（系统内置部分字符 i、m、S、U ...）

3.正则表达式中的“原子”

a.a-z A-Z _ 0-9 //最常见的字符

b.(abc)(skd) //用圆括号包含起来的单元符号（一个整体）

c.[abcs][^abd] //用方括号包含的原子表，原子表中的^代表排除或相反的内容

d.转义字符

d 包含所有的数字[0-9]

D 除所有数字外[^0-9]

w 包含所有英文字符[a-z A-Z 0-9]

W 除所有英文字符外[^a-z A-Z 0-9]

s 回车，换行等

......

注明： 圆括号 必须是整体才能匹配； 方括号 只要是其子集，都可以匹配（内容存在）

4.正则表达式元字符

* 匹配前一个内容的0次1次或多次

. 匹配内容的0次1次或多次，但不包含回车换行(代指自己，任何内容)

+ 匹配前一个内容的1次或多次

？ 匹配前一个内容的.0次或1次

| 选择匹配类似PHP中的| （因为这个运算符合是弱类型导致前面最为整体匹配，类似一个单词匹配）

^ 匹配字符串首部内容

$ 匹配字符串尾部内容

b 匹配单词边界，边界可以是空格或者特殊符合（有单词分界符，类似空格）

B 匹配除带单词边界意外内容（无单词分界符）

{m} 匹配前一个内容的重复次数为M次

{m,} 匹配前一个内容的重复次数大于等于M次

{m,n} 匹配前一个内容的重复次数M次到N次

( ) 合并整体匹配，并放入内存，可使用1 2…依次获取 (调用放入内存中的内容)

5.运算顺序

依然遵循从左到→右的运算规则

优先级：

( ) 圆括号因为是内存处理所以最高

* ？ + { } 重复匹配内容其次

^ $ b 边界处理第三

| 条件处理第四

最后按照运算顺序计算匹配

6.模式修正符

模式修正符是为正则表达式增强和补充的一个功能，使用在正则之外 例如：/ 正则 / U

常用修正符：

i 正则内容在匹配时候不区分大小写（默认是区分的）

m 在匹配首内容或者尾内容时候采用多行识别匹配

s 将转义回车取消是为单行匹配如. 匹配的时候

x 忽略正则中的空白

A 强制从头开始匹配

D 强制$匹配尾部无任何内容 n

U 禁止贪婪匹配 只跟踪到最近的一个匹配符并结束， 常用在采集程序上的正则表达式

7.匹配功能

preg_match_all 全部匹配函数

语法：preg_match_all ( string pattern, string subject, array matches [, int flags] )

说明：对结果排序使 $matches[0] 为全部模式匹配的数

用途：截取比较详细的内容，采集网页，分析文本

8.替换功能

preg_replace 正则替换函数

语法：preg_replace ( mixed pattern, mixed replacement, mixed subject [, int limit] )

说明：通过正则表达式来替换相关内容，类似之前学过的str_replace字符串替换，但 功能要强于它

提示：1、替换内容可以是一个正则也可以是数组正则

2、替换内容可以通过修正符e来解决替换执行内容

用途：替换一些比较复杂的内容上，也可以用于内容的转换上

9.分割功能

preg_split 正则切割

语法：preg_split ( string pattern, string subject [, int limit [, int flags]] )

说明：通过正则表达式来切割相关内容，类似之前学过的explode切割函数，但explode 只能按照一种方式切割有局限性。