当前位置:Gxlcms > PHP教程 > php匹配博客目录里的文章链接

php匹配博客目录里的文章链接

时间:2021-07-01 10:21:17 帮助过:4人阅读

最近在写爬虫练手,但是发现匹配出来数据很少

以博客园为例,这个是我的正则

/http\:\/\/www\.cnblogs\.com\/' . $name . '\/[^\" ]+.html/i

然后匹配这位同学:http://www.cnblogs.com/hoojo/default.html?page=1

发现只有42条数据,但是这位同学明显不止42篇文章,请问如何优化我的正则

回复内容:

最近在写爬虫练手,但是发现匹配出来数据很少

以博客园为例,这个是我的正则

/http\:\/\/www\.cnblogs\.com\/' . $name . '\/[^\" ]+.html/i

然后匹配这位同学:http://www.cnblogs.com/hoojo/default.html?page=1

发现只有42条数据,但是这位同学明显不止42篇文章,请问如何优化我的正则

首先,你这个http://www.cnblogs.com/hoojo/default.html?page=1 只是第一页,第一页好像只有这么多篇文章吧?http://www.cnblogs.com/hoojo/default.html?page=2 是第二页。

首先,你要确定他的博客里面有多少页。你就从第二页http://www.cnblogs.com/hoojo/default.html?page=2 取它的总页数共6页: 上一页 1 2 3 4 5 6,再在你原来的代码外面加个 for 循环 http://www.cnblogs.com/hoojo/default.html?page={$page_number} 这样就好了。

不太懂您的正则写法。

我数了下第一页一共50条文章,然后我是这么实现的:

|i", $aa, $m);
var_dump($m[1]);

这样的结果就是文章链接数组了。

在测试过程中发现文章作者会把其他文章链接写在摘要里,并且被显示。所以您的方法会把摘要内的链接也读出来。
我这里是用文章原文链接的特性获取到的链接。
希望能够帮到你。

人气教程排行