Question

如何从页面获取所有IMDB ID？例如，我想从here获取所有ID。在该页面中，网址的格式为：

http://www.imdb.com/title/tt0948470/

我需要使用preg_match_all()从页面获取所有ID - 可以帮助我吗？

Answer 1

好的，我没有给出一个熟练的代码。 Firefox中“查看选择源”的简单功能让我看看每个链接的格式都是href属性：

href="/title/tt1615065/"

现在建立一个RegEx是微不足道的。我建议你一个好RegEx tutorial，非贪婪的比赛将完成这项工作。祝你好运！

Answer 2

好的，我正在给出熟练的代码，但我也会解释一下：

获取HTML源代码
解析所有<a> href属性
如果值匹配，请使用正则表达式进行测试。
如果匹配，请从链接中提取ID并以不会重复的方式存储它。
完成。

实施例/ Demo

// initialize
$ids   = array(); 
$url   = 'http://www.imdb.com/movies-coming-soon/'; # this URL
$expr  = '//a/@href';                               # these attributes
$regex = '(/title/(tt\d{5,7})/)u';                  # matching this regex
$match = 1;                                         # take group 1

// process
foreach((new DOMXpath(@DOMDocument::loadHTMLFile($url)))->query($expr) as $obj)
    preg_match($regex, $obj->value, $matches)
      && $ids[$matches[$match]] = 0;
    ;
$ids = array_keys($ids);

// output
print_r($ids);

（注意：您标记了这个问题PHP5，当前稳定的PHP5是5.4，这个示例也是如此;如果您使用curl包装器配置PHP5版本，则此代码为curl。）

编辑：降低PHP版本：

...
// process
$xp = new DOMXpath(@DOMDocument::loadHTMLFile($url));
foreach($xp->query($expr) as $obj)
...

Edit2：只是看到IMDB标记了它的标记，因此可以检索该列表的实际电影条目，而不是该页面上的任何标题链接。

这需要在使用的xpath表达式上稍微改进一下。因为解析现在更加智能化，所以不存在重复项，因此不需要删除它们：

// initialize
$ids   = array();
$url   = 'http://www.imdb.com/movies-coming-soon/'; # this URL
$expr  = '//*[@itemtype="http://schema.org/Movie"]
                //a[@itemprop="url"]/@href';        # these attributes
$regex = '(/title/(tt\d{5,7})/)u';                  # matching this regex
$match = 1;                                         # take group 1

// process
$xp = new DOMXpath(@DOMDocument::loadHTMLFile($url));
foreach($xp->query($expr) as $obj)
    preg_match($regex, $obj->value, $matches)
        && $ids[] = $matches[$match];
;

通过preg_match_all从页面url获取所有imdb id

2 个答案: