实验楼的php比赛题,网页数据提取。
实验楼的php比赛题,网页数据提取。
题目的地址:https://www.shiyanlou.com/contests/lou5/challenges
以下代码是题目的答案
- <?php
- header("Content-Type:text/html;charset=utf-8");
- class Crawler{
- private $content;
- private $data;
- static private $mysql;
- public function __construct(){
- echo "开始爬取内容....";
- }
- public function loadFile($file_path){
- echo "正在加载文件";
- $this->content = file_get_contents($file_path);
- }
- public function parseCourseBody(){
- $regex = "/<body[^>]*?>(.*\s*?)<\/body>/is";
- if(preg_match_all($regex, $this->content, $matches)){
- $this->content = $matches[0];
- }
- }
- public function parseContent(){
- echo "开始解析内容...<br/>";
- $this->parseCourseBody();
- $this->parseTitle();
- $this->parseDesc();
- $this->parseType();
- $this->titleIsLong();
- $this->saveData();
- echo "解析内容结束!<br/>";
- }
- public function saveData(){
- echo "存入数据库...<br/>";
- self::$mysql = mysql_connect("localhost","root","root");
- mysql_query("set names utf8");
- mysql_select_db("databases",self::$mysql);
- $cnames = $this->data['cnames'];
- $cdescs = $this->data['cdescs'];
- $ctypes = $this->data['ctypes'];
- $nlongs = $this->data['nlongs'];
- foreach ($cnames as $key => $value) {
- $sql = "insert into `course_data`(`cname`,`cdesc`,`ctype`,`nlong`) values('".$cnames[$key]."','".$cdescs[$key]."','".$ctypes[$key]."','".$nlongs[$key]."')";
- mysql_query($sql);
- }
- mysql_close();
- }
- public function parseTitle(){
- echo "解析课程标题...<br/>";
- $regex= "/<div class=\"course-name\".*?>.*?<\/div>/ism";
- if(preg_match_all($regex, $this->content, $matches)){
- $cnames = $matches[0];
- }
- foreach ($cnames as &$value) {
- $value = str_replace("</div>","",str_replace("<div class=\"course-name\">", "", $value));
- }
- $this->data['cnames'] = $cnames;
- }
- public function parseDesc(){
- echo "解析课程简介...<br/>";
- $regex4= "/<div class=\"course-desc\".*?>.*?<\/div>/ism";
- if(preg_match_all($regex, $this->content, $matches)){
- $cdescs = $matches[0];
- }
- foreach ($cdescs as &$value) {
- $value = str_replace("</div>","",str_replace("<div class=\"course-desc\">", "", $value));
- }
- $this->data['cdescs'] = $cdescs;
- }
- public function parseType(){
- echo "解析课程类型...<br/>";
- $regex= "/<div class=\"course-footer\".*?>.*?<\/div>/ism";
- if(preg_match_all($regex, $this->content, $matches)){
- $ctypes = $matches[0];
- }
- foreach ($ctypes as &$value) {
- $str = str_replace("</div>","",str_replace("<div class=\"course-footer\">", "", $value));
- if(preg_match_all("/([\x{4e00}-\x{9fa5}])/u", $str, $match)){
- $value = join("",$match[0]);
- }else{
- $value = "免费";
- }
- $this->data['ctypes'] = $ctypes;
- }
- public function titleIsLong(){
- echo "判断课程名是否超长...<br/>";
- $cnames = $this->data['cnames'];
- foreach ($cnames as $value) {
- $nlongs[] = mb_strlen($value) > 16 : "true" : "false";
- }
- $this->data['nlongs'] = $nlongs;
- }
- }
- $Crawler = new Crawler();
- $Crawler->loadFile("test.html");
- $Crawler->parseContent();
- /**
- 表结构
- cname(varchar):完整的课程名
- cdesc(varchar):课程描述
- ctype(varchar):课程类型,值为 免费,会员,训练营。
- nlong(enum('true','false')):课程名是否过长,课程名称超过16字符的时候为 true,否则为 false
- create table `course_data`(
- `id` int(11) not null auto_increment,
- `cname` varchar(255) default null,
- `cdesc` varchar(255) default null,
- `ctype` varchar(255) default null,
- `nlong` enum('true','false') default null,
- primary key (`id`)
- )engine=InnoDB default charset=utf8;
- */
实验楼的php比赛题,网页数据提取。的更多相关文章
- 使用 CSS 选择器从网页中提取数据
在 R 中,关于网络爬虫最简单易用的扩展包是 rvest.运行以下代码从 CRAN 上安装:install.packages("rvest")首先,加载包并用 read_html( ...
- Python【BeautifulSoup解析和提取网页数据】
[解析数据] 使用浏览器上网,浏览器会把服务器返回来的HTML源代码翻译为我们能看懂的样子 在爬虫中,也要使用能读懂html的工具,才能提取到想要的数据 [提取数据]是指把我们需要的数据从众多数据中挑 ...
- python爬虫-提取网页数据的三种武器
常用的提取网页数据的工具有三种xpath.css选择器.正则表达式 1.xpath 1.1在python中使用xpath必须要下载lxml模块: lxml官方文档 :https://lxml.de/i ...
- 转:SQL SERVER数据库中实现快速的数据提取和数据分页
探讨如何在有着1000万条数据的MS SQL SERVER数据库中实现快速的数据提取和数据分页.以下代码说明了我们实例中数据库的“红头文件”一表的部分数据结构: CREATE TABLE [dbo]. ...
- 分享: 利用Readability解决网页正文提取问题
原文:http://www.cnblogs.com/iamzyf/p/3529740.html 做数据抓取和分析的各位亲们, 有没有遇到下面的难题呢? - 如何从各式各样的网页中提取正文!? 虽然可以 ...
- API例子:用Python驱动Firefox采集网页数据
1,引言 本文讲解怎样用Python驱动Firefox浏览器写一个简易的网页数据采集器.开源Python即时网络爬虫项目将与Scrapy(基于twisted的异步网络框架)集成,所以本例将使用Scra ...
- 使用HtmlAgilityPack批量抓取网页数据
原文:使用HtmlAgilityPack批量抓取网页数据 相关软件点击下载登录的处理.因为有些网页数据需要登陆后才能提取.这里要使用ieHTTPHeaders来提取登录时的提交信息.抓取网页 Htm ...
- 利用Readability解决网页正文提取问题
分享: 利用Readability解决网页正文提取问题 做数据抓取和分析的各位亲们, 有没有遇到下面的难题呢? - 如何从各式各样的网页中提取正文!? 虽然可以用SS为各种网站写脚本做解析, 但是 ...
- 使用webdriver+urllib爬取网页数据(模拟登陆,过验证码)
urilib是python的标准库,当我们使用Python爬取网页数据时,往往用的是urllib模块,通过调用urllib模块的urlopen(url)方法返回网页对象,并使用read()方法获得ur ...
随机推荐
- 基于EasyNVR二次开发实现自己的摄像机IPC/NVR无插件化直播解决方案
在之前的博客中<基于EasyNVR实现RTSP/Onvif监控摄像头Web无插件化直播监控>,我们已经比较多的描述EasyNVR所实现的功能,这些也在方案地址:http://www.eas ...
- Centos7升级python版本
升级Python 我的安装目录是/home/python 下载 ` cd /home/python wget https://www.python.org/ftp/python/3.5.0/Pytho ...
- c++标准库比较
1 GNU standard c++ library debian发行版中使用的c++标准库是GNU standard c++标准库. 2 Boost debian发行版中也是用了boost库,但是不 ...
- c#中多线程写DataGridView出现滚动栏导致程序卡死(无响应)的解决的方法
版权声明:本文为博主原创文章,未经博主同意不得转载. https://blog.csdn.net/u013529927/article/details/24225567 由于写的程序涉及到多线程维护一 ...
- 搭建vps***
快速搭建ShadowSocks wget --no-check-certificate -O shadowsocks.sh https://raw.githubusercontent.com/tedd ...
- 6410开发板sd卡启动时烧写u-boot.bin以及u-boot-spl-16k.bin步骤
参考文档:<SMDK6410_IROM_APPLICATION NOTE_REV 1.00>(可以从这里下载到> 参考博客:Tekkaman的博文<u-boot-2010.09 ...
- Android WiFi系统架构【转】
本文转载自:http://blog.csdn.net/liuhaomatou/article/details/40398753 在了解WIFI模块的系统架构之前.我心中就有一个疑问,那么Android ...
- Django 之 Paginator 分页功能
Django Paginator Django 分页官方文档 https://docs.djangoproject.com/en/1.10/topics/pagination/ 此分页方法没有限制显 ...
- hadoop —— eclipse插件安装配置
安装: 1. 将hadoop-core-0.20.2-cdh3u6/contrib/eclipse-plugin/hadoop-eclipse-plugin-0.20.2-cdh3u6.jar拷贝到e ...
- netstat参数记录
可以使用man netstat查看TCP的各种状态信息描述 ESTABLISHED socket已经建立连接 CLOSED socket没有被使用,无连接 CL ...