关于Simple_html_dom的小应用

　　今天一同学给我推荐了本书，说是刚出不久，内容还不错，是心灵鸡汤类的书，于是按捺不住就像在网上下一本，可是木有资源肿么办。只有在线看的，作为一个准码农，所以甭废话了，咱得用代码解决问题对吧……

　　1.工欲善其事必先利其器

　　首先你得有个工具用吧，别想我之前似得抓个网页，就写了好多的$pattern去挨个匹配标签，作为伪程序员那哪行啊，对吧，咱得学着它Simple_html_dom

专门解析HTML文档的一东西，超好用的哦~。Simple_html_dom是什么东西在咱博客园上就有怎么用的博客，在这不做赘述。

　　2.代码详解

　　啥也甭说，还是代码说话给力，以下是抓去新浪的小说为例。

　　（1）首先得引入文件吧

　　　　include"simple_html_dom.php";

　　（2）咱这抓小说比较简单，深度就一层，不涉及到什么图的深搜广搜，你只要观察URL的规律即可

　　　　$url="http://vip.book.sina.com.cn/chapter/220331/2143";//用for循环加东西就是了

　　（3）如果for循环的次数太多会报错：超时提醒。甭担心这不是咱的错，这是配置文件的错，咱加上这句话就OK了

　　　　ini_set('max_execution_time', '100');

　　（4）实例化Simple_html_dom

　　　　$html=new simple_html_dom();

　　（5）然后就是for循环生成一个个的URL然后提取内容了主要用到下面的东西　　

　　　　//从URL加载
　　　　$html->load_file($url_temp);

　　　　//查找class为mainContent的div
　　　　$title=$html->find("div[class=mainContent] h1",0);

　　　　//收集正文
　　　　$content=$html->find("div[class=mainContent] div[class=contTxt1]",0);

　　（6）适当的用正则控制以下格式

　　　　//换行
　　　　$content=preg_replace($pattern,"\r\n",$content);
　　　　//加空格
　　　　$content=preg_replace($pattern1," ",$content);

　　（7）当然少不了他了（去除html标签）

　　　　$title=strip_tags($title);
　　　　$content=strip_tags($content);

　　（8）写入文件即可

　　（9）恭喜你，小说抓取成功。

3.主要用到的技术

　　　（1）对php的熟练应用

　　　（2）掌握正则表达式。

　　　（3）主要是Simple_html_dom.php的使用

　　　（4）还得注意php超时问题

　　当循环太多时会出现超时问题，建议不要修改配置文件