通過PHP搜索和提取外部網頁中的特定文本？

Question

我一直在嘗試從電視劇追蹤網站中提取“下一個劇集編號”。 這是一個示例頁面：

示例頁面

向下滾動，您將看到“倒數”，“日期”，“季節”和“數字”。 我想提取那個數字。

我一直在查看源代碼以及簡單HTML DOM來嘗試解決問題，但是我多次失敗。 “數字”具有類“ nextEpInfo”，但“倒數”，“季節” ...等也具有相同的類。

我將如何提取它？

另外，如果可能的話，我將非常感謝一些很好的參考資料，它們解釋了您推薦的方法，因為當我需要提取的內容包裝在不同的類，div中時，我理想地希望將來學習如何處理這些情況。等等

Answer 1

如果您具有要解析的頁面的原始HTML，則可以使用preg_match進行查找。

如果您沒有HTML，這應該可以為您提供幫助： 如何使用PHP獲取網頁的HTML代碼？

preg_match（）

此函數使您可以使用正則表達式模式解析字符串。 建議只解析一部分HTML，而不是全部頁面。 例如，在這種情況下，我將嘗試獲取第一個表的HTML（該表沒有上一集的信息）。

$subject="the HTML of the url you want to parse";
$pattern='/Number:<\/td><td.+?>(\d+)<\//';
if(preg_match($pattern, $subject, $hits)){
    echo "Number: $hits[0]";
}

如果您不知道正則表達式如何工作：

'。' 是一個保留字符，表示“任何字符”，其后的“ +”表示“一個或多個”和“？” 使正則表達式不貪心。 因此，如果我們將其總結為“。+？” 意思是“任何字符中的一個或多個，但要使其盡可能短”。

'（'和'）'表示我們要檢索它們之間的內容，而'\\ d'表示數字。 因此，“（\\ d +）”的意思是“將數字組合放入$ hits數組中”。

如果您使用相同的正則表達式但使用preg_match_all，則將檢索遵循相同模式的所有網絡編號，它們將位於$ hits數組內。

Answer 2

這可以使用Xpath完成：

(//td[contains(text(), 'Number')])[1]/../td[2]

此查詢導航到文本等於Number的第一個td。 然后，它轉到該子項的父節點（ /../ ），然后到達第二個td (td[2]) ，其中包含下一個情節編號。

Firebug允許您使用$x在控制台中測試Xpath查詢：

$x("(//td[contains(text(), 'Number')])[1]/../td[2]");

要將其與PHP一起使用，請簽出DOMDocument和DOMXpath 。 更具體的DOMDocument.loadHtml和DOMXpath.query 。

Answer 3

以下是您可以使用的示例偽代碼：

1）使用nextEpInfo類檢索所有tr：

foreach($html->find('tr.nextEpInfo') as $tr)

2）對於每個tr，請驗證它們是否包含任何帶有stristr的關鍵字。 示例： if(stristr($tr, 'Countdown') !== FALSE)

3）如果是這種情況，請提取tr下2個tds的文本內容： $tds = $tr->find('td')

4）從第二個td獲得所需的值： $tds[1]->plaintext

Answer 4

<?php
/*

<tr class="nextEpInfo">
<td width="160" align="right" nowrap="" class="nextEpInfo">Season:    </td>
<td class="nextEpInfo" width="300">4</td>
</tr>
*/
$url = 'http://next-episode.net/the-good-wife';
$ch = curl_init();
curl_setopt( $ch, CURLOPT_URL, $url );
curl_setopt( $ch, CURLOPT_FOLLOWLOCATION, 1 );
curl_setopt( $ch, CURLOPT_RETURNTRANSFER, 1 );
curl_setopt($ch,CURLOPT_ENCODING, 1);
curl_setopt( $ch, CURLOPT_REFERER, $url );
$content = curl_exec ($ch);
//echo $content;
$matches = array();
preg_match_all( '/class="nextEpInfo">(.+):<\/td>\s*<td[^>]*>(\d*)</', $content, $matches );
print_r( $matches );

或類似內容，這是最簡單的方法，並且只要網站所有者不更改字符串即可使用。 使用xpath或其他xml / html解析器可能會導致兩個字符串匹配的開銷，並且如果網站上的內容發生更改，可能會以同樣的方式剎車。