Question

尝试构建像feed43.com这样的网络抓取脚本。细节：我有一个HTML代码如下。

<div id="latest_header" onclick="getNews('79');">
                <img src="home_images/arrow.gif">&nbsp;2 DAY SEMINAR <br> <label id="news_pagedesp"><img src="home_images/li_desp.gif">NATIONAL SEMINAR..</label><label id="date_label">13th August 2014</label></div>
<div id="latest_header" onclick="getNews('78');">
                <img src="home_images/arrow.gif">&nbsp;2 DAYS WORKSHOP <br> <label id="news_pagedesp"><img src="home_images/li_desp.gif">INTERNATIONAL WOR..</label><label id="date_label">8th August 2014</label></div>

我写了一个类似下面的表达式。

<div id="latest_header"{*}getNews('{%}'){*}&nbsp;{%}<br>{*}.gif">{%}..</label>

结果应符合以下规则：

{*} - 忽略一切 {％} - 将其用作变量的值

结果应该是给定模式的所有出现。在上述情况下：

{％1} - 79 {％2} - 2天研讨会{％3} - 全国研讨会

{％1} - 78 {％2} - 2天工作坊{％3} - 国际角色

我无法实现正则表达式，并且在许多地方读取遍历html页面是不可行的。我转移到simple_html_dom，但没有运气以这么简单的方式完成上述事情。至少，我不可能模拟上述事情。

变量{*}＆amp;当使用feed43.com创建某个网站的Feed时，{％}用于创建模式。

Answer 1

您的正则表达式不正确。使用适当的量词来忽略项目，并使用capturing-group来捕获匹配子部分：

/<div id="latest_header"(?>.*?getNews\(')(?>(.*?)'\))(?>.*?&nbsp;)(?>(.*?)<br>)(?>.*?\.gif">)(.*?)<\/label>/s

_{* 原子组用于消除backtracking。没有它们的这个正则表达式会导致大量的时间回溯，这是主要的caveats with parsing HTML with regex之一。}

这将是你的匹配：

MATCH 1: [Group 1: 79] [Group 2: 2 DAY SEMINAR ] [Group 3: NATIONAL SEMINAR..]
MATCH 2: [Group 1: 78] [Group 2: 2 DAYS WORKSHOP ] [Group 3: INTERNATIONAL WOR..]

这是regex demo。

Answer 2

这可能与此无关，但以下开源项目实现了我想要的目标..

hFeeds

我真正想要的是能够为Feed43.com这样的网页创建RSS源而hFeeds的工作方式与Feed43 .com完全相同，并且易于使用。唯一的区别是它使用{h}代替{％}和{i}代替{*}。它会像我看到的那样生成正则表达式。

但是，谢谢你的回答

用PHP替换{*}和{％}的正则表达式或网页抓取

2 个答案: