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？

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('/