cainiaowang 发表于 2015-8-25 10:20:50

php获取页面并切割页面div内容

  亮点:
  1、利用php也能实现对页面div的切割处理。这里的做法抛砖引玉,希望读者能够提供更加完美的解决方案。
  2、切割处理方法已经封装成一个方法,可以直接引用。
  3、顺便加上博客园标签云的截取。//getWebDiv('id="taglist"','http://www.cnblogs.com/Zjmainstay/tag/');


View Code


<?php
header("Content-type: text/html; charset=utf-8");
function getWebDiv($div_id,$url=false,$data=false){
if($url !== false){
$data = file_get_contents( $url );
}
$charset_pos = stripos($data,'charset');
if($charset_pos) {
if(stripos($data,'charset=utf-8',$charset_pos)) {
$data = iconv('utf-8','utf-8',$data);
}else if(stripos($data,'charset=gb2312',$charset_pos)) {
$data = iconv('gb2312','utf-8',$data);
}else if(stripos($data,'charset=gbk',$charset_pos)) {
$data = iconv('gbk','utf-8',$data);
}
}
preg_match_all('/<div/i',$data,$pre_matches,PREG_OFFSET_CAPTURE);    //获取所有div前缀
preg_match_all('/<\/div/i',$data,$suf_matches,PREG_OFFSET_CAPTURE); //获取所有div后缀
$hit = strpos($data,$div_id);
if($hit == -1) return false;    //未命中
$divs = array();    //合并所有div
foreach($pre_matches as $index=>$pre_div){
$divs[(int)$pre_div] = 'p';
$divs[(int)$suf_matches[$index]] = 's';   
}
//对div进行排序
$sort = array_keys($divs);
asort($sort);
$count = count($pre_matches);
foreach($pre_matches as $index=>$pre_div){
//<div $hit <div+1    时div被命中
if(($pre_matches[$index] < $hit) && ($hit < $pre_matches[$index+1])){
$deeper = 0;
//弹出被命中div前的div
while(array_shift($sort) != $pre_matches[$index] && ($count--)) continue;
//对剩余div进行匹配,若下一个为前缀,则向下一层,$deeper加1,
//否则后退一层,$deeper减1,$deeper为0则命中匹配,计算div长度
foreach($sort as $key){
if($divs[$key] == 'p') $deeper++;
else if($deeper == 0) {
$length = $key-$pre_matches[$index];
break;
}else {
$deeper--;
}
}
$hitDivString = substr($data,$pre_matches[$index],$length).'</div>';
break;
}
}
return $hitDivString;
}
echo getWebDiv('id="taglist"','http://www.cnblogs.com/Zjmainstay/tag/');
//End_php
  考虑到id符号问题,id="u"由用户自己填写。
  声明:此段php只针对带 id div内容的读取。
  ——————————————————————————完善:匹配任意可闭合带id标签————————————————————————————————————————————


View Code


1 <?php
2   header("Content-type: text/html; charset=utf-8");
3   function getWebTag($tag_id,$url=false,$tag='div',$data=false){
4         if($url !== false){
5             $data = file_get_contents( $url );
6         }
7         $charset_pos = stripos($data,'charset');
8         if($charset_pos) {
9             if(stripos($data,'charset=utf-8',$charset_pos)) {
10               $data = iconv('utf-8','utf-8',$data);
11             }else if(stripos($data,'charset=gb2312',$charset_pos)) {
12               $data = iconv('gb2312','utf-8',$data);
13             }else if(stripos($data,'charset=gbk',$charset_pos)) {
14               $data = iconv('gbk','utf-8',$data);
15             }
16         }
17         
18         preg_match_all('/<'.$tag.'/i',$data,$pre_matches,PREG_OFFSET_CAPTURE);    //获取所有div前缀
19         preg_match_all('/<\/'.$tag.'/i',$data,$suf_matches,PREG_OFFSET_CAPTURE); //获取所有div后缀
20         $hit = strpos($data,$tag_id);
21         if($hit == -1) return false;    //未命中
22         $divs = array();    //合并所有div
23         foreach($pre_matches as $index=>$pre_div){
24             $divs[(int)$pre_div] = 'p';
25             $divs[(int)$suf_matches[$index]] = 's';   
26         }
27         
28         //对div进行排序
29         $sort = array_keys($divs);
30         asort($sort);
31         
32         $count = count($pre_matches);
33         foreach($pre_matches as $index=>$pre_div){
34             //<div $hit <div+1    时div被命中
35             if(($pre_matches[$index] < $hit) && ($hit < $pre_matches[$index+1])){
36               $deeper = 0;
37               //弹出被命中div前的div
38               while(array_shift($sort) != $pre_matches[$index] && ($count--)) continue;
39               //对剩余div进行匹配,若下一个为前缀,则向下一层,$deeper加1,
40               //否则后退一层,$deeper减1,$deeper为0则命中匹配,计算div长度
41               foreach($sort as $key){
42                     if($divs[$key] == 'p') $deeper++;
43                     else if($deeper == 0) {
44                         $length = $key-$pre_matches[$index];
45                         break;
46                     }else {
47                         $deeper--;
48                     }
49               }
50               $hitDivString = substr($data,$pre_matches[$index],$length).'</'.$tag.'>';
51               break;
52             }
53         }
54         return $hitDivString;
55   }
56   
57   echo getWebTag('id="nav"','http://mail.163.com/html/mail_intro/','ul');
58   echo getWebTag('id="homeBanners"','http://mail.163.com/html/mail_intro/');
59   echo getWebTag('id="performance"','http://mail.163.com/html/mail_intro/','section');
60
61 //End_php
  
  修复:stripos($data,'charset=utf-8',$charset_pos) 加入charset=,避免有些gb2312格式的网页中包含utf-8造成错误。或者用户可以自行修改函数传入一个确定的charset参数。
  演示地址:parseDiv
页: [1]
查看完整版本: php获取页面并切割页面div内容