【www.bbyears.com--Dom教程】
//包含PHP Simple html Dom 类库文件
include_once("./simplehtmldom/simple_html_dom.php");
//采集html
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;
}
//获得标题和url
$string =
getwebcontent("http://www.babytree.com/learn/zhunbeihuaiyun/jijibeiyun/2");
//正则匹配获取标题和地址
preg_match_all ("/(.*)/",
$string, $out, PREG_SET_ORDER);
foreach($out as $key => $value){
$article["title"][] = $out[$key][2];
$article["link"][] = "http://www.babytree.com/learn/article/".$out[$key][1];
}
//根据url获取文章内容
foreach($article["link"] as $key=>$value){
$html = file_get_html($value);
$div = $html->find("div[id=pagenum_0]");
$article[content][] = $div[0]->innertext;
}
//标题转码---真正用的时候不用这步--因为咱本来就要用utf8的
//不转码还真不能保存成文件
foreach($article[title] as $key=>$value){
$article[title][$key] = iconv("utf-8", "gbk", $value);//转码
}
//存入文件
$num = count($article["title"]);
for($i=0; $i<$num; $i++){
file_put_contents("{$article[title][$i]}.txt", $article["content"][$i]);
}
/*本来想12点之前发的。。但小看一下都3点半了。。。 就算昨天的吧
本来获取文章内容时用正则是最好的，速度也是最快的，
奈何正则是好，但正则表达式是真难！于是乎小查了一下，
网上也有很多人也在用PHP Simple Dom 虽然效率慢了点，但效果还是不错的
从包含类库文件到写入txt文件 大概是7/8就秒 还有带于进一步优化，特别是那获取文章内容时的正则，那个太恶心了
大家可以小研究一下*/
?>