Question

我正在处理爬虫项目，我需要你的帮助，这是我的第一个项目。任务是从“http://justdial.com”获取数据。例如，我想获取城市名称（班加罗尔），类别（酒店），酒店名称，地址和电话号码。

我已经编写了一个代码来从'id'中获取标记内容，就像我从中获取了地址：

<?php

$url="http://www.justdial.com/Bangalore/hotels";  
$original_file = file_get_contents("$url");
$stripped_file = strip_tags($original_file, "<div>");

$newlines="'<div class=\"logoDesc\">(.*?)</div>'si";
$newlines=preg_replace('#<div(?:[^>]*)>.</div>#u','',$newlines);

preg_match_all("$newlines", $stripped_file, $matches);


//DEBUGGING

  //$matches[0] now contains the complete A tags; ex: <a href="link">text</a>
  //$matches[1] now contains only the HREFs in the A tags; ex: link

  header("Content-type: text/plain"); //Set the content type to plain text so the print below is easy to read!
 $path= ($matches);

 print_r($path); //View the array to see if it worked
?>

现在问题是，我想从内容中分离标记并将其存储在数据库中。并从数据库到excel表。请帮帮我。

Answer 1

您不应该使用正则表达式来解析HTML。你应该使用DomDocument之类的东西。使用它的一个小例子：

<?php
   $str = '<h1>T1</h1>Lorem ipsum.<h1>T2</h1>The quick red fox...<h1>T3</h1>... jumps over the lazy brown FROG';
   $DOM = new DOMDocument;
   $DOM->loadHTML($str);

   //get all H1
   $items = $DOM->getElementsByTagName('h1');

   //display all H1 text
   for ($i = 0; $i < $items->length; $i++)
        echo $items->item($i)->nodeValue . "<br/>";
?>

php crawler（抓取单个网站）

1 个答案: