Detaillierte Erläuterung der PHP-Regelmäßigkeit und Datenerfassung

• Reguläre PHP-Ausdrücke werden hauptsächlich zur Mustersegmentierung, zum Abgleich sowie für Such- und Ersetzungsoperationen von Zeichenfolgen verwendet. Die Verwendung regulärer Ausdrücke ist in einigen einfachen Umgebungen möglicherweise nicht effizient.
  Daher muss umfassend darüber nachgedacht werden, wie reguläre PHP-Ausdrücke besser verwendet werden können.
  Definition des regulären PHP-Ausdrucks:
  Eine grammatikalische Regel, die zur Beschreibung der Zeichenanordnung und der Übereinstimmungsmuster verwendet wird.
  Reguläre Funktionen in PHP:
  Es gibt zwei Sätze regulärer Funktionen in PHP, die beide ähnliche Funktionen haben, nämlich:
  Ein Satz wird von der PCRE-Bibliothek (Perl Compatible Regular Expression) bereitgestellt. Funktionen mit dem Präfix „preg_“;
  Eine Reihe von Funktionen, die von POSIX-Erweiterungen (Portable Operating System Interface of Unix) bereitgestellt werden. Verwenden Sie Funktionen mit dem Präfix „ereg_“;
  (Die reguläre POSIX-Funktionsbibliothek wird seit PHP 5.3 nicht mehr zur Verwendung empfohlen und wird aus PHP 6 entfernt)
  Da die reguläre POSIX-Funktionsbibliothek kurz vor der Veröffentlichung steht, History Stage, und die Formen von PCRE und Perl sind ähnlich, was für uns bequemer ist, zwischen Perl und PHP zu wechseln, daher konzentrieren wir uns hier auf die Verwendung der PCRE-Regelmäßigkeit.
  PCRE Regular Expression
  PCRE steht für Perl Compatible Regular Expression, was Perl-kompatiblen regulären Ausdruck bedeutet.
  In PCRE wird der Musterausdruck (d. h. der reguläre Ausdruck) normalerweise zwischen zwei Backslashes „/“ eingeschlossen, wie zum Beispiel „/apple/“.
  Die wichtigen Konzepte in regulären Ausdrücken sind: Metazeichen, Escapezeichen, Mustereinheiten (Wiederholungen), Antonyme, Referenzen und Behauptungen. Diese Konzepte können in JavaScript leicht verstanden und beherrscht werden.
  preg_filter – Suche und Ersetzung regulärer Ausdrücke
  preg_filter("regular", "replacement", "target");
  preg_grep ( string $pattern , array $input [, int $flags = 0 ] )
  preg_match – einen regulären Ausdrucksabgleich durchführen
  preg_match ( string $pattern , string $subject [, array &$matches [, int $flags = 0 [, int $offset = 0 ]]] )
  preg_match_all – globaler regulärer Ausdrucksabgleich
  preg_replace – führt eine Suche und Ersetzung regulärer Ausdrücke durch
  preg_split – trennt Zeichenfolgen durch einen regulären Ausdruck
  Häufig verwendete Metazeichen:
  Metazeichenbeschreibung
  A Entspricht dem Atom am Anfang der Zeichenfolge
  Z Entspricht dem Atom am Ende der Zeichenfolge
  b Entspricht der Grenze des Wortes /bis/ Entspricht der Zeichenfolge, deren Kopf /isb/ ist. Entspricht dem Ende der Zeichenfolge von /bisb/ Getrennt
  B Entspricht jedem Zeichen außer Wortgrenzen. /Bis/ Entspricht „is“ im Wort „This“.
  d Entspricht einer Zahl, die [0-9] entspricht.
  D Entspricht jedem Zeichen außer Zahlen bis [^0-9]
  w Entspricht einem englischen Buchstaben, einer Zahl oder einem Unterstrich, äquivalent zu [0-9a-zA-Z_]
  W Entspricht jedem Zeichen außer englischen Buchstaben, Zahlen und Unterstrichen, äquivalent zu [^ 0-9a-zA-Z_]
  s Entspricht einem Leerzeichen; entspricht [ftv]
  S Entspricht jedem Zeichen, das mit [^ftv] äquivalent ist; x0c oder cL
  Entspricht einem Zeilenumbruchzeichen; entspricht einem Wagenrücklaufzeichen; entspricht einem Tabulatorzeichen in x0d oder cM
  t; entspricht x09 oder cl
  v Entspricht einer Vertikale Tabulatorzeichen; entspricht x0b oder ck
  oNN Entspricht einer Oktalzahl
  xNN Entspricht einer Hexadezimalzahl
  cC entspricht einem Steuerzeichen
  Mustermodifikatoren: Der Mustermodifikator
  wird insbesondere zum Ignorieren der Groß-/Kleinschreibung verwendet und das Abgleichen mehrerer Zeilen mit diesem Modifikator kann oft viele Probleme lösen, auf die wir stoßen.
  i – ​​Kann sowohl Groß- als auch Kleinbuchstaben abgleichen
  M – Behandeln Sie die Zeichenfolge als mehrere Zeilen
  S – Behandeln Sie die Zeichenfolge als einzelne Zeile und behandeln Sie Zeilenumbrüche als gewöhnliche Zeichen, sodass „.“ mit jedem Zeichen übereinstimmt
  X – Leerzeichen im Muster werden ignoriert
  U – Übereinstimmung mit der nächstgelegenen Zeichenfolge
  e – Verwendung der ersetzten Zeichenfolge als Ausdruck
  Format: /apple/i entspricht „apple“ oder „Apple“ usw., wobei die Groß-/Kleinschreibung ignoriert wird. /i
  entspricht dem Zeichen
  . Beschreibung
  Markiert das nächste Zeichen als Sonderzeichen, Text, Rückverweis oder oktales Escape-Zeichen. Beispielsweise entspricht „n“ dem Zeichen „n“. „n“ entspricht einem Zeilenumbruchzeichen. Die Sequenz „\“ entspricht „“, „(“ entspricht „(“.
  ^ Entspricht dem Anfang der Eingabezeichenfolge. Wenn die Multiline-Eigenschaft des RegExp-Objekts festgelegt ist, wird ^ auch mit „n“ oder übereinstimmen „r“ Standort stimmt überein.
  $ Entspricht dem Ende der Eingabezeichenfolge. Wenn die Multiline-Eigenschaft des RegExp-Objekts festgelegt ist, stimmt $ auch mit der Position vor „n“ oder „r“ überein.
  * Entspricht dem vorhergehenden Zeichen oder Unterausdruck null oder mehrmals. Beispielsweise stimmt zo* mit „z“ und „zoo“ überein. * Entspricht {0,}.
  + Entspricht dem vorhergehenden Zeichen oder Unterausdruck einmal oder mehrmals. Beispielsweise stimmt „zo+“ mit „zo“ und „zoo“ überein, aber nicht mit „z“. + Entspricht {1,}.
  ? Entspricht dem vorhergehenden Zeichen oder Unterausdruck null oder einmal. Beispielsweise entspricht „do(es)?“ dem „do“ in „do“ oder „does“. ? Entspricht {0,1}.
  {n} n ist eine nicht negative ganze Zahl. Entspricht genau n-mal. Beispielsweise stimmt „o{2}“ nicht mit dem „o“ in „Bob“ überein, stimmt aber mit beiden „o“s in „food“ überein.
  {n,} n ist eine nicht negative ganze Zahl. Passt mindestens n-mal zusammen. Beispielsweise stimmt „o{2,}“ nicht mit dem „o“ in „Bob“ überein, sondern mit allen o in „foooood“. „o{1,}“ ist äquivalent zu „o+“. „o{0,}“ ist äquivalent zu „o*“.
  {n,m} M und n sind nicht negative ganze Zahlen, wobei n <= m. Übereinstimmung mindestens n-mal und höchstens m-mal. Beispielsweise entspricht „o{1,3}“ den ersten drei o in „fooooood“. „o{0,1}“ ist äquivalent zu „o?“. Hinweis: Zwischen Kommas und Zahlen können keine Leerzeichen eingefügt werden.
  ? Wenn dieses Zeichen unmittelbar auf ein anderes Qualifikationsmerkmal (*, +, ?, {n}, {n,}, {n,m}) folgt, ist das passende Muster „nicht gierig“. Das „non-greedy“-Muster entspricht der kürzestmöglichen Zeichenfolge, nach der gesucht wird, während das standardmäßige „greedy“-Muster der längstmöglichen Zeichenfolge entspricht, nach der gesucht wird. Beispielsweise stimmt „o+?“ in der Zeichenfolge „oooo“ nur mit einem einzelnen „o“ überein, während „o+“ mit allen „o“ übereinstimmt.
  . Entspricht jedem einzelnen Zeichen außer „n“. Um ein beliebiges Zeichen einschließlich „n“ zu finden, verwenden Sie ein Muster wie „[sS]“.
  [] Entspricht jedem in []
  [^] Entspricht jedem, der nicht in []
  1. Was ist Datenerfassung?
  Vor ein paar Jahren, mit Ausnahme einiger großer Portale, im Grunde genommen sind persönliche Websites. Die Informationen sind verstreut und es gibt nicht viel Inhalt.
  In ein paar Jahren wird es immer mehr kommerzielle Websites geben und Informationen müssen in großen Mengen konzentriert werden. Selbst wenn genügend finanzielle Mittel vorhanden sind, um eine große Anzahl von Redakteuren einzustellen,
  kann dies nicht der Fall sein in der Lage, den sich ständig ändernden Informationsressourcen gerecht zu werden.
  Das Sammeln von Informationen ist zu einer Technologie geworden, die von allen Website-Betreibern bevorzugt wird.
  2. Die Idee der Datenerfassung:
  Die Idee des Erfassungsprogramms ist sehr einfach und kann grob in die folgenden Schritte unterteilt werden:
  1. Erhalten Sie den Quellcode der Remote-Datei (file_get_contents oder verwenden Sie fopen oder verwenden Sie fsocket, um das http-Protokoll get oder die Curl-Erweiterung von PHP oder andere Open-Source-Klassen von PHP von Drittanbietern zu implementieren)
  Hinweis: Es ist am besten, file_get_contents und fopen nicht zu verwenden, da Sie auf Probleme stoßen, die Sie beheben können. Ich kann mir nicht vorstellen, fsocket zum Implementieren des HTTP-Protokolls zu verwenden. Jetzt verwenden die meisten Websites Anti-Collection-Technologie und Informationsextraktionstechnologie beim Sammeln von Inhalten.
  2. Analysieren Sie den Code, um das zu erhalten, was Sie wollen (verwenden Sie hier den regulären Abgleich).
  3. Laden Sie den Inhalt basierend auf dem erhaltenen Inhalt herunter und speichern Sie ihn.
  4. Zeigen Sie Daten entsprechend Ihrem Webseitenlayout an
  3. Teilen Sie Ihre persönliche Sammlungserfahrung:
  1. Sammeln Sie keine Websites, die gegen Hotlinking geschützt sind. Tatsächlich können Sie die Herkunft fälschen, aber solche Standorte sammeln Die Kosten sind zu hoch
  2. Für Stationen, die Daten so schnell wie möglich sammeln, ist es am besten, sie lokal zu sammeln
  3. Beim Sammeln kann es oft vorkommen, dass Sie einen Teil der Daten im speichern können Öffnen Sie zunächst die Datenbank und fahren Sie dann mit dem nächsten Verarbeitungsschritt fort.
  4. Sie müssen beim Sammeln mit Fehlern umgehen. Normalerweise überspringe ich es, wenn die Sammlung dreimal fehlschlägt.
  In der Vergangenheit blieb ich oft bei der Auswahl eines Inhalts hängen, nur weil ich ihn nicht verstehen konnte.
  5. Sie müssen vor dem Betreten der Datenbank ein gutes Urteilsvermögen fällen, die Rechtmäßigkeit des Inhalts prüfen und unnötige Zeichenfolgen filtern.
  Viertens: Teilen Sie eine Linkadresse: Online-Test für reguläre Ausdrücke
  http://tool.chinaz.com/regex
  Fünftens: Teilen Sie einige häufig verwendete PHP-reguläre Ausdrücke
  Reguläre Ausdrücke, die mit chinesischen Schriftzeichen übereinstimmen: [u4e00-u9fa5]
  Entspricht Doppelbyte-Zeichen (einschließlich chinesischer Zeichen): [^x00-xff]
  Entspricht dem regulären Ausdruck von HTML-Tags: /<(.*)>.*< ;/ >|<(.*) />/
  Regulärer Ausdruck passend zur IP-Adresse /(d+).(d+).(d+).(d+)/g
  Passende E-Mail-Adresse Regulärer Ausdruck: w+( [-+.]w+)*@w+([-.]w+)*.w+([-.]w+)*
  Regulärer Ausdruck passende URL: http://( [w-]+.)+[ w-]+(/[w- ./?%&=]*)?
  Bildlink in passenden Informationen: /(s|S)(r|R)( c|C)*=*('| ")?(w||/|.)+('|"| *|>)?/
  Verwenden Sie reguläre Ausdrücke, um Dateinamen aus URL-Adressen zu extrahieren: / (.*/)([^.]+ ).*/ig
  Überprüfung der chinesischen Telefonnummer/((d{3,4})|d{3,4}-)?d{7,8}( -d{3})*/
  Überprüfung der Postleitzahl Chinas/d{6}/
  E-Mail-Verifizierung/w+([-+.]w+)*@w+([-.]w+)*.w+ ([-.]w+)*/
  Ausweisüberprüfung/d{18}|d{15}/
  Häufig verwendete Zahlenüberprüfung /d{n}/ n ist die angegebene Länge /d{n,m}/ Der Längenbereich von n bis m
  Unzulässige Zeichenüberprüfung
  Übereinstimmung mit unzulässigen Zeichen wie: < / ' |.
  Regulärer Ausdruck [^<>&/|']+
  Datumsüberprüfung
  Die passende Form ist: 20030718,030718
  Bereich: 1900--2099
  Regulärer Ausdruck ((( (19){1}|(20){1})d{2})|d{2})[01]{1}d{1}[0-3]{1}d{1}

Verwandte Empfehlungen:

Beispiel einer regulären PHP-Methode, um festzustellen, ob eine Zeichenfolge chinesische Zeichen enthält

PHP Zusammenfassung des regulären Ausdrucks

PHP-Methode zur Verarbeitung regulärer Ausdrücke

Das obige ist der detaillierte Inhalt vonDetaillierte Erläuterung der PHP-Regelmäßigkeit und Datenerfassung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!