php - 大家幫忙看一個爬蟲抓取需要資料的正規則
过去多啦不再A梦
过去多啦不再A梦 2017-05-16 13:16:30
0
2
638
######A。 待抓取的頁面的

html 雷雷

B。 我寫的摘要條件:

雷雷

$reg_list = "/\s*\s*\s*\s *\s*\s*\s*\s*\s*<\/a>\s*<\/td>\s*<\/tr> \s*<\/table>\s*<\/td>\s*< td\s*style='[A-z0-9\:\-_#]*'\s*class= 'propList'>\s*\s*

\s*[\x7f-\xff]+<\/a>\s*<\ /p>\s*\s*主營:<\/span>\s*< ;span\s*class='propValue\s*fk-prop-other'\s*style='[A-z0-9\x7f-\xff\: -_#;]*'>([\x7f -\xff ]+_-\.)<\/span>\s*<\/p>\s*\s *位址:<\/span>\s*([\x7f-\xff -_\.]+)<\ /span> ;\s*<\/p>\s*<\/td>\s*<\/td>\s*<\/tr>\s*<\/table>\s*< ;\ /p>/"

; 編輯器中顯示(截圖):

##之所以寫成這麼複雜是因為我要取得一些部分內容:

##關鍵點來了,那麼複雜,根本無法調試則讓他正確的提取到我要的內容,請問大牛是如何寫這樣複雜的正則,然後調試,直到能夠提取到自己想要的內容的數據是?

过去多啦不再A梦
过去多啦不再A梦

全部回覆(2)
黄舟

又要祭獻symfony/dom-crawler大法了。 DOM大法好,退正則保平安

composer.json

{
    "require": {
        "symfony/css-selector": "^3.2",
        "symfony/dom-crawler": "^3.2"
    }
}

a.php

<?php
/**
 * Created by PhpStorm.
 * User: shellus
 * Date: 2017/4/11
 * Time: 11:55
 */

use Symfony\Component\DomCrawler\Crawler;

require 'vendor/autoload.php';

$str2 = <<<EOT
<p topClassName='top1' topSwitch='on'  productId='2256' productName='⑧北京汉奥汽配有限公司' class='productPicListForm' id='module406product2256' faiWidth='160' faiHeight='101' faiWidthOr='600' faiHeightOr='382'>
    <table id='formTable2256_module406' class='formTable' cellpadding='0' cellspacing='0'>

        <tr>
            <td class='imgp'>
                <table cellpadding='0' cellspacing='0'>
                    <tr>
                        <td>
                            <a hidefocus='true' href='h-pd-2256-2_406.html' target='_blank'>
                                <img alt='⑧北京汉奥汽配有限公司' title='' src='http://5003100.s21i-5.faiusr.com/2/ABUIABACGAAggsfqwAUotY6_qgUw2AQ4-gI!160x160.jpg'  />
                            </a>
                        </td>
                    </tr>
                </table>
            </td>

            <td style='' class='propList'>
                <p style='' class='propp productName    '>
                    <a class='fk-productName' hidefocus='true' href='h-pd-2256-2_406.html' target='_blank' title='⑧北京汉奥汽配有限公司'>⑧北京汉奥汽配有限公司</a>
                </p>

                <p class='propp productProp6    '>
                    <span class='propName fk-prop-name'>主营:</span>
                    <span class='propValue fk-prop-other'  style='text-decoration:none;font-family:微软雅黑;font-weight:normal;'>大众 新速腾 新迈腾 新桑塔纳 新捷达 CC 新帕萨特 新宝来 收事故车及残值(郭京汉)</span>
                </p>

                <p class='propp productProp4    '>
                    <span class='propName fk-prop-name'>地址:</span>
                    <span class='propValue fk-prop-other'  style='text-decoration:none;font-family:微软雅黑;font-weight:normal;'>城环城B-01号</span>
                </p>
            </td>
        </tr>

    </table>
</p>
EOT;

$dom = new Crawler();

$dom->addHtmlContent($str2, 'UTF-8');

$imgSrc = $dom->filter('td.imgp')->filter('img')->attr('src');

$productName = $dom->filter('td.propList')->filter('p.productName>a')->text();

$productProp6 = $dom->filter('td.propList')->filter('p.productProp6>.propValue')->text();

$productProp4 = $dom->filter('td.propList')->filter('p.productProp4>.propValue')->text();

var_dump($imgSrc);
echo '<br>';
var_dump($productName);
echo '<br>';
var_dump($productProp6);
echo '<br>';
var_dump($productProp4);
echo '<br>';

輸出

巴扎黑

DOM自然是更好選擇,然正則不見得做不到。

/alt=\'(?P<name>[^\']+)\'(?:.+?)?src=\'(?P<img>[^\']+)\'(?:.+?)?主营:(?:.+?)?\'>(?P<scope>[^<]+)(?:.+?)?地址:(?:.+?)?\'>(?P<address>[^<]+)/s
熱門教學
更多>
最新下載
更多>
網站特效
網站源碼
網站素材
前端模板