
利用PHP高效采集新闻列表及详情,巧妙解决相对路径和内容提取难题
本文将详细讲解如何运用PHP、cURL和正则表达式,从目标网站高效采集新闻列表和新闻详情,并重点解决相对路径和内容提取的常见问题。
首先,我们需要获取新闻列表页面的HTML内容。可以使用cURL函数,将目标网站的列表页URL(例如:http://www.example.com/news)作为参数传入,即可获取页面源代码。
挑战一:处理相对路径的新闻链接
立即学习“PHP免费学习笔记(深入)”;
列表页的新闻链接通常是相对路径,例如/article/40958.html。为了得到完整的URL,需要将网站域名与相对路径拼接。虽然可以使用正则表达式href="https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c"提取链接,但这仅获取相对路径。我们需要在PHP中进行进一步处理:
$html = curl_exec($ch); // 获取页面HTML内容preg_match_all('/<as+href="https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c"/i', $html, $matches); // 提取所有标签中的链接$news_links = [];$base_url = 'http://www.example.com'; // 替换为目标网站域名foreach ($matches[1] as $relative_path) { $absolute_url = $base_url . ($relative_path[0] == '/' ? $relative_path : '/' . $relative_path); // 拼接完整URL $news_links[] = $absolute_url;}```这段代码首先使用正则表达式提取所有``标签中的链接,然后遍历提取的相对路径,将其与网站域名拼接成完整的URL,存储到`$news_links`数组中。**挑战二:高效提取新闻详情页内容**接下来,遍历`$news_links`数组中的每个链接,再次使用cURL获取新闻详情页的HTML内容,并提取新闻标题和内容。```phpforeach ($news_links as $news_link) { curl_setopt($ch, CURLOPT_URL, $news_link); $detail_html = curl_exec($ch); // 提取新闻标题 (需要根据实际HTML结构调整正则表达式) preg_match('/(.*?)/i', $detail_html, $title_match); $title = isset($title_match[1]) ? $title_match[1] : ''; // 提取新闻内容 (需要根据实际HTML结构调整正则表达式) preg_match('/https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c/is', $detail_html, $content_match); $content = isset($content_match[1]) ? strip_tags($content_match[1]) : ''; // 使用strip_tags清除HTML标签 // 输出新闻标题、完整路径和内容 echo "标题: " . $title . "
"; echo "链接: " . $news_link . "
"; echo "内容: " . $content . "
";}
这段代码遍历每个新闻链接,获取详情页HTML,使用正则表达式提取内容和标题(注意:标题和内容的正则表达式需要根据实际HTML结构调整)。strip_tags()函数用于清除HTML标签,得到纯文本内容。最后,将提取的信息输出。 /is修饰符中的s允许.匹配换行符。
总结:
本方法使用cURL和正则表达式实现了新闻采集。 然而,对于复杂的HTML结构,建议使用DOM解析器(例如DOMDocument)以提高代码的可读性和维护性,并减少正则表达式出错的风险。 请务必根据目标网站的HTML结构调整正则表达式。 记住替换'http://www.example.com'为实际的目标网站域名。
以上就是如何用PHP高效采集新闻列表及详情,并解决相对路径和内容提取难题?的详细内容,更多请关注创想鸟其它相关文章!
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 chuangxiangniao@163.com 举报,一经查实,本站将立刻删除。
发布者:程序猿,转转请注明出处:https://www.chuangxiangniao.com/p/1255653.html
微信扫一扫
支付宝扫一扫