请大神帮忙修改下采集正则

gao15678

原代码：function utf8_to_gbk($str_caiji){
    return mb_convert_encoding($str_caiji, 'gbk', 'utf-8');
    }
if(stristr($moban, '{apineirong}')){
    $str_caiji = file_get_contents('http://www.chinanews.com/china.shtml?qq-pf-to=pcqq.c2c');←这里是采集的网址
    $reg_caiji = '/<div class="\w+"><a.*?>\s*(.*?)\s*<\/a>.*?/';←这里是采集设置的正则
    preg_match_all($reg_caiji, $str_caiji, $out_caiji);
    $str_caiji = '';
    foreach($out_caiji[0] as $v_caiji){
        $str_caiji .= $v_caiji;
        }
    $reg_caiji = '/(\/(\d|\w)+\-*(\d|\w)+)+.shtml/i';←这里是采集设置的正则
    preg_match_all($reg_caiji, $str_caiji, $out_caiji);
    $num = count($out_caiji[0]);
    if($out_caiji[0][mt_rand(0, $num)-1]){
        $link = 'http://www.chinanews.com' . $out_caiji[0][mt_rand(0, $num)];←网址
        $html = file_get_html($link);
        $title = $html -> find('h1', 0) -> innertext;
        $body = utf8_to_gbk($html -> find('div[class=left_zw]', 0) -> outertext) ;←这里是采集设置的正则
        $body = preg_replace("/<(\/)?a .*?>/si", '', $body);←这里是采集设置的正则
        $body = preg_replace("/<\/a>/si", '', $body);←这里是采集设置的正则
        $body = preg_replace("/(\/\w+\/\d+\/\d+\/\d+\.\w+)/", 'http://www.chinanews.com' . '\1', $body);←这里是采集设置的正则和网址
        $moban = str_replace('{apibiaoti}', $title, $moban);
        $moban = str_replace('{apineirong}', $body, $moban);
        echo $moban;
        }else{
        echo $moban;
        }
}


我想改为采集这个网址的：http://roll.blog.sina.com.cn/list/other/index_1.shtml  不知道怎么改，小白请各路大神、超神帮忙改下。小白磕头感谢！！！！

源帅

用火车头吧，好点

刺客

楼主希望采集相应页面的哪些信息？ 标题和内容吗？

ps：营销神器的采集功能很弱，建议使用火车头等专业采集器。

gao15678

刺客 发表于 2016-12-2 12:12
楼主希望采集相应页面的哪些信息？ 标题和内容吗？

ps：营销神器的采集功能很弱，建议使用火车头等专业 ...

采集标题和内容，我的是php程序不是软件，我要改为采集另一个网站的标题和内容，不知道怎么写正则，原来采集的网站：http://www.chinanews.com/china.shtml?qq-pf-to=pcqq.c2c 设置的这个正则： $reg_caiji = '/<div class="\w+"><a.*?>\s*(.*?)\s*<\/a>.*?/';  匹配的是这里：<div class="dd_bt"><a href="/gn/2016/12-02/8082290.shtml">中古友谊历久弥坚 双边关系迈向多元</a></div>。然后这个正则： $reg_caiji = '/(\/(\d|\w)+\-*(\d|\w)+)+.shtml/i';  匹配是这：/gn/2016/12-02/8082290.shtml。这里： $link = 'http://www.chinanews.com' . $out_caiji[0][mt_rand(0, $num)]; 好象是提取后加到这里/gn/2016/12-02/8082290.shtml（也就是这样：http://www.chinanews.com/gn/2016/12-02/8082290.shtml。不知道是不是）。
这里是标题：$title = $html -> find('h1', 0) -> innertext;匹配这里：<h1 style="display:block; position:relative; text-align:center; clear:both">
      中古友谊历久弥坚 双边关系迈向多元
      </h1>

这里都是内容： $body = utf8_to_gbk($html -> find('div[class=left_zw]', 0) -> outertext) ;我只知道这里匹配：<div class="left_zw" style="position:relative">  
下面的就不知道匹配哪里了
        $body = preg_replace("/<(\/)?a .*?>/si", '', $body);←这里是采集设置的正则
        $body = preg_replace("/<\/a>/si", '', $body);←这里是采集设置的正则
        $body = preg_replace("/(\/\w+\/\d+\/\d+\/\d+\.\w+)/", 'http://www.chinanews.com' . '\1', $body);


我现在想改为采集这个网站的：http://roll.blog.sina.com.cn/list/other/index_1.shtml

像原来的一样先采集这里面的<ul class="list_009">
                        <li><span style=""><a  target="_blank">李光斗</a>  (12月02日 17:59)</span> 采集这条链接<a href="http://blog.sina.com.cn/s/blog_483476660102wtl3.html" target="_blank">特朗普告诉你：网红是怎样练成的</a></li>

采集这标题：<h2 id="t_483476660102wtl3" class="titName SG_txta">超级网红特朗普</h2>

采集这内容：<!-- 正文开始 -->
                <div id="sina_keyword_ad_area2" class="articalContent   newfont_family">
                        <p STYLE="text-indent: 24pt; line-height: 150%;">
<span STYLE="font-family: 宋体; line-height: 150%; font-size: 12pt;"><font FACE="宋体">如今，网红已经不单单是一个词语，网红代表的


我就是不知道怎么写正则，所以请大神们帮忙写写

a627817191

不太懂，帮你顶一下

gao15678

没人懂吗？这个是动态JSC程序里面自动获取新闻源标题和内容的代码