php 匹配博客目录里的文章链接

WBOY
Libérer: 2016-06-06 20:39:49
original
1196 Les gens l'ont consulté

最近在写爬虫练手,但是发现匹配出来数据很少

以博客园为例,这个是我的正则

<code>/http\:\/\/www\.cnblogs\.com\/' . $name . '\/[^\" ]+.html/i
</code>
Copier après la connexion
Copier après la connexion

然后匹配这位同学:http://www.cnblogs.com/hoojo/default.html?page=1

发现只有42条数据,但是这位同学明显不止42篇文章,请问如何优化我的正则

回复内容:

最近在写爬虫练手,但是发现匹配出来数据很少

以博客园为例,这个是我的正则

<code>/http\:\/\/www\.cnblogs\.com\/' . $name . '\/[^\" ]+.html/i
</code>
Copier après la connexion
Copier après la connexion

然后匹配这位同学:http://www.cnblogs.com/hoojo/default.html?page=1

发现只有42条数据,但是这位同学明显不止42篇文章,请问如何优化我的正则

首先,你这个http://www.cnblogs.com/hoojo/default.html?page=1 只是第一页,第一页好像只有这么多篇文章吧?http://www.cnblogs.com/hoojo/default.html?page=2 是第二页。

首先,你要确定他的博客里面有多少页。你就从第二页http://www.cnblogs.com/hoojo/default.html?page=2 取它的总页数共6页: 上一页 1 2 3 4 5 6,再在你原来的代码外面加个 for 循环 http://www.cnblogs.com/hoojo/default.html?page={$page_number} 这样就好了。

不太懂您的正则写法。

我数了下第一页一共50条文章,然后我是这么实现的:

<code><?php $aa = file_get_contents('http://www.cnblogs.com/hoojo/default.html?page=1');
preg_match_all ("|class=\"postTitle2\" href=\"(.*)\">|i", $aa, $m);
var_dump($m[1]);
</code>
Copier après la connexion

这样的结果就是文章链接数组了。

在测试过程中发现文章作者会把其他文章链接写在摘要里,并且被显示。所以您的方法会把摘要内的链接也读出来。
我这里是用文章原文链接的特性获取到的链接。
希望能够帮到你。

Étiquettes associées:
source:php.cn
Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn
Tutoriels populaires
Plus>
Derniers téléchargements
Plus>
effets Web
Code source du site Web
Matériel du site Web
Modèle frontal