私は、Webサイト内のすべてのリンクを読み取るための簡単なクローラースクリプトを作成して学習しています。パターンに問題があり、なぜこれが機能しないのかわかりません。
ウェブサイトのソースコードでは、リンクは次のようになっています。
<a href="?ObjectPath=/Shops/154567062/Categories/Handlauf/%22Handlauf%20Holz%22">Handlauf Holz </a>
私のパターンと機能は次のようになります。
preg_match_all( '/ObjectPath.*"/', $contentrow, $output, PREG_SET_ORDER
前半は動作しますが、その後は出力が壊れます。壊れた出力のサンプルを次に示します。
ObjectPath = / Shops /15456062/Categories">- GESAMTANGEBOT - Handläufe
ObjectPath = / Shops / 15456062 / Products /％22Handlauf％20Edelstahl％20DS01％22 / SubProducts /％22Handlauf％20Edelstahl％20DS％2001％20014％22＆＃ProductRatings "
ObjectPath = / Shops / 15456062/Categories / CustomerInformation "
ObjectPath = / Shops / 15456062 / Products /％22Handlauf％20Edelstahl％20DS01％22 / SubProducts /％22Handlauf％20Edelstahl％20DS％2001％20014％22＆ChangeAction = SelectSubProduct "method =" post "
パーツが取得されたソースコードのパーツは、次のようになります。
<a class="BreadcrumbItem" href="?ObjectPath=/Shops/345456456/Categories">-GESAMTANGEBOT-</a><a class="BreadcrumbItem" href="?ObjectPath=/Shops/1234346q/Categories/Handlauf">Handläufe</a><a class="BreadcrumbItem" href="?ObjectPath=/Shops/15456062/Categories/Handlauf/%22Handlauf%20Edelstahl%22">Handläufe Edelstahl</a>
なぜ-GESAMTANGEBOT-の部分がパターンに取り入れられているのかわかりません。「それを終えるべきですか？
ありがとうございました！
ここに完全なスクリプトがあります：
<?php
header('Content-Type: text/html; charset=utf-8');
function getPage($url){
// Prüfung ob cURL installiert ist?
if (!function_exists('curl_init')){
die('Curl not initialed');
}
// Array mit den cURL-Einstellungen
$options = array(
CURLOPT_RETURNTRANSFER => true,
CURLOPT_HEADER => false,
CURLOPT_ENCODING => "",
CURLOPT_CONNECTTIMEOUT => 120,
CURLOPT_TIMEOUT => 120,
CURLOPT_FOLLOWLOCATION => true,
CURLOPT_AUTOREFERER => true,
CURLOPT_MAXREDIRS => 10
);
$ch = curl_init( $url );
curl_setopt_array( $ch, $options );
$content = curl_exec( $ch );
$err = curl_errno( $ch );
$errmsg = curl_error( $ch );
$header = curl_getinfo( $ch );
curl_close( $ch );
$header['errno'] = $err;
$header['errmsg'] = $errmsg;
$header['content'] = $content;
return $header;
}
$url = "http:/domain.com/epages/23455467.sf/de_DE/?ObjectPath=/Shops/15456062/Products/%22Handlauf%20Edelstahl%20DS01%22/SubProducts/%22Handlauf%20Edelstahl%20DS%2001%20014%22";
$domain = 'http://www.domain.com/epages/452563456.sf/de_DE/?';
$content = getPage($url);
$i=0;
foreach ($content as $contentrow) {
//go through content and look for links
if (preg_match_all( '/ObjectPath(.*)"/', $contentrow, $output, PREG_SET_ORDER )) {
$i++;
echo '<h1>'.$i.'</h1>';
foreach ($output as $row) {
$url= $domain.$row[0];
//echo '<a href="'.$url.'">'.$url.'</a>';
echo $url;
echo '<br /><h2>onerow</h2><br />';
}
}
}
//print_r($content);
そして、私は言及するのを忘れました、私は出力の上にこの警告を受け取ります：
警告：preg_match_all（）は、パラメーター2が文字列であることを想定しています。配列はC：\ xampp \ htdocs \ scripts\readratings.phpの48行目にあります。