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
- 【BZOJ4241】历史研究 分块
[BZOJ4241]历史研究 Description IOI国历史研究的第一人——JOI教授,最近获得了一份被认为是古代IOI国的住民写下的日记.JOI教授为了通过这份日记来研究古代IOI国的生活,开 ...
- Angular入门(四) Router 替换当前页面
1.在 xx.html 中直接 写标签 <a [routerLink]="['/home']">home</a> 2.在 xx.html 中 ...
- JavaScript如何判断非空
JavaScript判断非空的语句一般为: var elvis; if (typeof elvis !== "undefined" && elvis !== nul ...
- [持续集成]Jenkins 自动化部署 Maven 工程
一.Jenkins 持续部署原理图 基础服务: 1 SVN 服务 SVN是Subversion的简称,是一个开放源代码的版本控制系统.说得简单一点SVN就是用于多个人共同开发同一个项目,共用资源的目的 ...
- Cmder配置
中文乱码和重叠 当我们使用ls命令查看文件目录时,发现,中文被显示成了一些奇怪的乱码,将以下几行代码配置在cmder/config/user-aliases下即可解决问题: l=ls --show-c ...
- Codeforces Round #423 (Div. 2, rated, based on VK Cup Finals)
题目链接:http://codeforces.com/contest/828 A. Restaurant Tables time limit per test 1 second memory limi ...
- Kbuntu16.04添加工作空间
工作空间是一个非常方便的功能,可以让开发者每次只聚焦一个屏幕,又能在各个空间中来回切换.有一种屏幕被扩展的感觉. Kbuntu默认只有一个工作空间,需要按如下方式添加: System settings ...
- Matlab之rand(), randn(), randi()函数的使用方法
1. rand()函数用于生成取值在(0~1)之间均匀分布的伪随机数.rand(n):生成n*n的0~1之间的满足均匀分布的伪随机矩阵:rand(m,n):生成m*n的伪随机数:rand(m,n,' ...
- Download rtsp.c
1. [代码][C/C++]代码 /* * Copyright (c) 2011, Jim Hollinger * All rights reserved. * * Redistribution an ...
- MySQL存储过程示例
MySQL存储过程: /*自定义结束符*/ DELIMITER $$ /*如果存在同名的存储过程就删除*/ DROP PROCEDURE IF EXISTS prAddBlack$$ /*创建存储过程 ...