0

息子の研究プロジェクトのために、Alexaから最新の「What'shot」トピックを取得しようとしています。基本的には、単語を取得してmysqlデータベースに挿入したいだけです。

私が現在持っているものは次のとおりです。

<?php
function getAlexa($url)
{
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0");
    curl_setopt($ch, CURLOPT_HEADER, 0);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
    $data = curl_exec($ch);
    curl_close($ch);
    return $data;
}
$grab = getAlexa("http://www.alexa.com/whatshot");

// missing part to get everything between title=''

// mysql connection details are included
include "connectiondetails.php";

// mysql table setup is id (int 11) AI, word (varchar 100) UNIQUE
$insert = @mysql_query("INSERT IGNORE INTO words values('','$word')");

?>

私の問題は、私がまだPHPに慣れていないため、alexa.com / whatshotからすべてのahrefタイトル（短縮されたアンカーテキストではない）を取得する必要があることです。たとえば、title='と次の'の間のすべての場合と同様です。 ='hello world'は、単語（文字列）がhelloworldになることを意味します-20個の単語すべてを取得するためにこれが必要です。

構造は次のとおりです。

<a href='http://www.alexa.com/whatshot?q=loretta+swit+turns+75' title='Loretta Swit Turns 75'>Loretta Swit Turns 75</a></li><li>2. <a href='http://www.alexa.com/whatshot?q=where+do+i+vote' title='where do I vote'>where do I vote</a></li><li>3. <a href='http://www.alexa.com/whatshot?q=nj+earthquake' title='NJ earthquake'>NJ earthquake</a></li><li>4. <a href='http://www.alexa.com/whatshot?q=yvonne+strahovski' title='Yvonne Strahovski'>Yvonne Strahovski</a></li><li>5. <a href='http://www.alexa.com/whatshot?q=early+voting+results' title='early voting results'>early voting results</a></li></ul><ul class='hotsearches' start='6'><li>6. <a href='http://www.alexa.com/whatshot?q=milt+campbell+dies' title='Milt Campbell Dies'>Milt Campbell Dies</a></li><li>7. <a href='http://www.alexa.com/whatshot?q=bristol+palin+suit+tossed' title='Bristol Palin suit tossed'>Bristol Palin suit...</a></li><li>8. <a href='http://www.alexa.com/whatshot?q=a+gay+lesbian' title='a gay lesbian'>a gay lesbian</a></li><li>9. <a href='http://www.alexa.com/whatshot?q=navy+skipper+fired' title='Navy skipper fired'>Navy skipper fired</a></li><li>10. <a href='http://www.alexa.com/whatshot?q=single+mom+no+tip' title='single mom no tip'>single mom no tip</a></li></ul><ul class='hotsearches' start='11'><li>11. <a href='http://www.alexa.com/whatshot?q=craigslist' title='craigslist'>craigslist</a></li><li>12. <a href='http://www.alexa.com/whatshot?q=nate+silver' title='Nate Silver'>Nate Silver</a></li><li>13. <a href='http://www.alexa.com/whatshot?q=real+clear+politics' title='real Clear Politics'>real Clear Politics</a></li><li>14. <a href='http://www.alexa.com/whatshot?q=93-year-old+bodybuilder' title='93-year-old bodybuilder'>93-year-old bodybu...</a></li><li>15. <a href='http://www.alexa.com/whatshot?q=wreck+it+ralph' title='Wreck It Ralph'>Wreck It Ralph</a></li></ul><ul class='hotsearches' start='16'><li>16. <a href='http://www.alexa.com/whatshot?q=kickstarter' title='Kickstarter'>Kickstarter</a></li><li>17. <a href='http://www.alexa.com/whatshot?q=african+painted+dogs' title='African painted dogs'>African painted dogs</a></li><li>18. <a href='http://www.alexa.com/whatshot?q=red+dawn' title='Red Dawn'>Red Dawn</a></li><li>19. <a href='http://www.alexa.com/whatshot?q=instagram' title='Instagram'>Instagram</a></li><li>20. <a href='http://www.alexa.com/whatshot?q=iphone+5' title='iPhone 5'>iPhone 5</a>

したがって、すべてがうまくいけば、グラブが完了すると、データベースに20語が含まれることになります。

お時間を割いていただきありがとうございます。

あなたの助けは大歓迎です。

4

2 に答える 2

2

次の正規表現を使用して、特定の入力からのすべてのタイトル属性/値を解析できます。

title=(?:(?:"([^"]+)")|(?:'([^']+)'))

これを使用するには、PHPを使用できます（これは、HTMLが変数に含まれていることをpreg_match_all()前提としています）。$grab

$titles = array();
preg_match_all('/title=(?:(?:"([^"]+)")|(?:\'([^\']+)\'))/i', $grab, $titles);

この正規表現は、二重引用符または一重引用符で囲まれた値と一致しようとします。サンプル出力からは、すべて一重引用符で囲まれているように見えます。配列内の一致するタイトルは、$titles2つのグループに分割されます。最初のグループは$titles[1];にあります。これらはすべて、二重引用符で囲まれたタイトルです。$titles[2]一重引用符で囲まれたタイトルのリストが含まれています。

それらを一緒にマージしてから、空の値を取り除くことができarray_merge()ますarray_filter()。次に、通常どおりにそれらを反復処理できます。

$titles = array_filter(array_merge($titles[1], $titles[2]));
foreach ($titles as $title) {
    .. do whatever you need/want
}

UPDATE（タイトル内の引用符をエスケープ）
コメントによると、元の正規表現は、引用符をエスケープしたタイトル（などtitle="foo \"bar\""）と一致しないことに気付きました。次の正規表現（この回答から移植）はこれを処理する必要があります：

title=(?:(?:"([^"\\]*(?:\\.[^"\\]*)*)")|(?:\'([^'\\]*(?:\\.[^'\\]*)*)\'))

でこれを使用するにはpreg_match_all()、次を使用します。

preg_match_all('/title=(?:(?:"([^"\\\\]*(?:\\\\.[^"\\\\]*)*)")|(?:\'([^\'\\\\]*(?:\\\\.[^\'\\\\]*)*)\'))/i', $grab, $titles);

説明なしで読むのははるかに長く、おそらく不可能ですが（必要な場合はお知らせください。投稿します）、引用符がエスケープされているためにデータが欠落していることに気づき始めたら、間違いなく価値があります。

于 2012-11-05T15:00:41.133 に答える
0

あなたはこれが欲しいです：http ：//www.php.net/manual/en/function.preg-match-all.php

そしてこれも：http：//www.regular-expressions.info/reference.html

正規表現部分が処理されていると仮定すると、次のようになります。

$titles;
preg_match_all('@YOUR_REGEX_HERE@/i', $grab, $titles);// The "@" is just a regex delimiter
于 2012-11-05T15:00:25.300 に答える