如何讓你的站跟新浪的新聞數據保持同步_PHP教程
推薦：詳解ASP.NET和PHP全面對比誰是速度之王？ 剛剛在9月編程語言排行榜上取得歷史性突破的PHP在Web開發領域最到的對手可能就是基于微軟.NET技術的ASP.NET。近日，微軟的Joe Stagner在博客上發表了一系列文章比較了PHP和ASP.NET性能方面的文章，引起了來自雙方程序員的大量回應。Joe表示，
采集已經不是什么新名詞了，很多站長為了省事，也局限于人力的缺乏，使用程序來給自己的網站添磚加瓦，比如本人的個人網站www.xxfsw.com也采集了大量的新聞，那么如果實現呢？今天我們運用php來實現這個功能。
談到采集，我們不得不說兩個東西，第一個是如何獲取遠程網站的源代碼，這個可以通過php的一個擴展curl來獲取，另一個是如果去匹配你需要的信息，這個的解決辦法是正則表達式。
Windows下開啟curl的方法如下：
1、拷貝PHP目錄中的libeay32.dll， ssleay32.dll， php5ts.dll， php_curl.dll文件到 system32 目錄。
2、修改php.ini：配置好 extension_dir ，去掉 extension = php_curl.dll 前面的分號。
3、重起apache。
Linux下開啟curl的方法如下：
進入安裝 原php 的源碼目錄，
cd ext
cd curl
phpize
./configure --with-curl =DIR
make
就會在PHPDIR/ext/curl /moudles/下生成curl .so的文件。
復制curl .so文件到extensions的配置目錄，修改php .ini就好了。
然后你就可以利用curl來獲取到指定url的網頁源碼了，這里給大家一個封裝好的函數：
| 以下為引用的內容： function getwebcontent($url){ $ch = curl_init(); $timeout = 10; curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout); curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1); $contents = trim(curl_exec($ch)); curl_close($ch); return $contents; } |
接下來就應該說到php中的正則表達式了：
1.中括號
［0-9］匹配0-9
［a-z］匹配a-z小寫字母
［A-Z］匹配A-Z大寫字母
［a-zA-Z］匹配所有大小寫字母
可以使用ascii來制定更多
2.量詞
| 以下為引用的內容： p+匹配至少一個含p的字符串 p*陪陪任何包含0個或多個p的字符串 p?匹配任何包含0個或一個p的字符串 p{2}匹配包含2個p的序列的字符串 p{2,3}匹配任何包含2個或3個的字符串 p$匹配任何以p結尾的字符串 ^p匹配任何以p開頭的字符串 [^a-zA-Z]匹配任何不包含a-zA-Z的字符串 p.p匹配任何包含p、接下來是任何字符、再接下來有又是p的字符串 ^.{2}$匹配任何值包含2個字符的字符串 <b>(.*)b>匹配任何被<b>>包圍的字符串 p(hp)*匹配任何一個包含p,后面是多個或0個hp的字符串 |
3.預定義字符范圍
| 以下為引用的內容： [:alpha:]同[a-zA-Z] [:alnum:]同[a-zA-Z0-9] [:cntrl:]匹配控制字符，比如制表符，反斜杠，退格符 [:digit:]同[0-9] [:graph:]所有ASCII33~166范圍內可以打印的字符 [:lower:]同[a-z] [:punct:]標點符號 [:upper:]同[A-Z] [:space:]空白字符，可以是空格、水平制表符、換行、換頁、回車 [:xdigit:]十六進制符同[a-fA-F0-9] |
廢話不多說，直接上我的源碼吧，有什么不懂的可以上百度查查。
| 以下為引用的內容： <?php header("Content-type: text/html; charset=utf-8"); getinfo("http://rss.sina.com.cn/rollnews/news/gn_total.js",1); getinfo("http://rss.sina.com.cn/rollnews/news/gj_total.js",2); getinfo("http://rss.sina.com.cn/rollnews/news/sh_total.js",3); getinfo("http://rss.sina.com.cn/rollnews/sports/sports_total.js",4); getinfo("http://rss.sina.com.cn/rollnews/tech/tech1_total.js",5); getinfo("http://rss.sina.com.cn/rollnews/finance/finance1_news_total.js",6); getinfo("http://rss.sina.com.cn/rollnews/ent/ent_total.js",7); getinfo("http://rss.sina.com.cn/rollnews/jczs/jczs_total.js",8); function getinfo($infourl,$catid) { $pagecontent=getwebcontent($infourl); preg_match_all("/title:\"(.*?)\"/", $pagecontent, $match); $titlearr=$match[1]; preg_match_all("/link:\"(.*?)\"/", $pagecontent, $match); $urlarr=$match[1]; for ($i=1;$i<count($urlarr);$i++){ echo "go {$titlearr[$i-1]}\n"; $title=iconv("gbk","utf-8",$titlearr[$i-1]); $content=iconv("gbk","utf-8",getnewscontent($urlarr[$i])); $content=mysql_escape_string($content); if(!insertdb($title,$content,$catid)) break; } } function insertdb($title,$content,$catid){ 將數據寫入你的庫 } function getnewscontent($newsurl){ $newscontent=getwebcontent($newsurl); preg_match_all("/<div class=\"blkContainerSblkCon\" id=\"artibody\">([\s\S]*?)<!-- publish_helper_end -->/",$newscontent,$match); $content=preg_replace("/<a.*?<\/a>/si","",$match[1][0]); $content=preg_replace("/<div style=\"overflow:hidden;zoom:1;\" class=\"otherContent_01\">.*?<\/div>/si","",$content); $content=preg_replace("/<div class=\"blk-video\">.*?<div class=\"clearcl\"><\/div>/si","",$content); $content=str_replace("<div style=\"clear:both;height:0;visibility:hiddden;overflow:hidden;\"></div>","",$content); return $content; } function getwebcontent($url){ $ch = curl_init(); $timeout = 10; curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout); curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1); $contents = trim(curl_exec($ch)); curl_close($ch); return $contents; } ?> |
然后如何實現比較實時的同步呢，這可以利用windows下的任務計劃或linux下的crontab 了，定時（比如十分鐘）執行這個程序，這樣，你就不再愁網站沒有內容了。
分享：共享西西弗斯自動求職系統做這個系統的背景是前段時間幫女朋友找工作，大家也許都有過這樣的感受，發出一份份簡歷都石沉大海，為什么呢？經過測試，我發現是因為郵件的閱讀率并不高，也就是說你發出的大多數簡歷別人看都沒有看過，更不用說約你面試了。 怎么辦呢？只能靠一種戰術----
- 相關鏈接：
- 教程說明：
PHP教程-如何讓你的站跟新浪的新聞數據保持同步
。