使用PHP的explode（）进行HTML抓取被认为是一种不好的做法？

我一直在编写代码，但似乎无法绕过正则表达式。

这使我想到了以下问题：使用PHP的爆炸破解一串html代码来选择文本的位是不好的做法？ 我需要为各种信息刮掉一页，并由于我的可怕的正则表达式知识（在一个完整的软件工程学位，我不得不写一个......）我决定使用explode（）。

我在下面提供了我的代码，所以比我更有经验的人可以告诉我是否使用正则表达式是必要的！

public function split_between($start, $end, $blob)
{
    $strip = explode($start,$blob);
    $strip2 = explode($end,$strip[1]);
    return $strip2[0];
}

public function get_abstract($pubmed_id)
{
    $scrapehtml = file_get_contents("http://www.ncbi.nlm.nih.gov/m/pubmed/".$pubmed_id);
    $data['title'] = $this->split_between('<h2>','</h2>',$scrapehtml);
    $data['authors'] = $this->split_between('<div class="auth">','</div>',$scrapehtml);
    $data['journal'] = $this->split_between('<p class="j">','</p>',$scrapehtml);
    $data['aff'] = $this->split_between('<p class="aff">','</p>',$scrapehtml);
    $data['abstract'] = str_replace('<p class="no_t_m">','',str_replace('</p>','',$this->split_between('<h3 class="no_b_m">Abstract','</div>',$scrapehtml)));
    $strip = explode('<div class="ids">', $scrapehtml);
    $strip2 = explode('</div>', $strip[1]);
    $ids[] = $strip2[0];
    $id_test = strpos($strip[2],"PMCID");
    if (isset($strip[2]) && $id_test !== false)
    {
        $step = explode('</div>', $strip[2]);
        $ids[] = $step[0];
    }
    $id_count = 0;
    foreach ($ids as &$value) {
        $value = str_replace("<h3>", "", $value);
        $data['ids'][$id_count]['id'] = str_replace("</h3>", "", str_replace('<span>','',str_replace('</span>','',$value)));
        $id_count++;
    }

    $jsonAbstract = json_encode($data);

    echo $this->indent($jsonAbstract);
}

---

我强烈建议您尝试一下PHP Simple HTML DOM解析器库。 它处理无效的HTML，旨在解决您正在处理的相同问题。

文档中的一个简单示例如下所示：

// Create DOM from URL or file
$html = file_get_html('http://www.google.com/');

// Find all images 
foreach($html->find('img') as $element) 
       echo $element->src . '<br>';

// Find all links 
foreach($html->find('a') as $element) 
       echo $element->href . '<br>';

---

使用正则表达式来处理任何事情都不是必须的，尽管使用它们并知道何时使用它们会很有用。

它看起来像你刮的PubMed，我猜在加价方面有相当的静态标记。 如果你有什么工作和执行，你希望我看不到任何理由切换到使用正则表达式，他们不一定会在这个例子中更快。

---

学习正则表达式并尝试使用一种语言，这种类型的任务包括perl或python。 它会为你节省很多时间。 起初他们可能看起来令人生畏，但他们对于大部分任务来说非常简单。 尝试阅读：http：//perldoc.perl.org/perlre.html

链接地址: http://www.djcxy.com/p/16535.html

上一篇: Is using PHP's explode() for HTML scraping considered a bad practice?

下一篇: php