PHP simple_html_dom.php+正则 采集文章代码

　　<?php

　　//包含PHP Simple html Dom 类库文件

　　include_once('./simplehtmldom/simple_html_dom.php');

　　//采集html

　　function getwebcontent($url){

　　$ch = curl_init();

　　$timeout = 10;

　　curl_setopt($ch, CURLOPT_URL, $url);

　　curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

　　curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

　　curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1);

　　$contents = trim(curl_exec($ch));

　　curl_close($ch);

　　return $contents;

　　}

　　//获得标题和url

　　$string =

　　getwebcontent('http://www.babytree.com/learn/zhunbeihuaiyun/jijibeiyun/2');

　　//正则匹配<li>获取标题和地址

　　preg_match_all ("/<li><a href=\"\/learn\/article\/(.*)\">(.*)<\/a>/",

　　$string, $out, PREG_SET_ORDER);

　　foreach($out as $key => $value){

　　$article['title'][] = $out[$key][2];

　　$article['link'][] = "http://www.babytree.com/learn/article/".$out[$key][1];

　　}

　　//根据url获取文章内容

　　foreach($article['link'] as $key=>$value){

　　$html = file_get_html($value);

　　$div = $html->find('div[id=pagenum_0]');

　　$article[content][] = $div[0]->innertext;

　　}

　　//标题转码---真正用的时候不用这步--因为咱本来就要用utf8的

　　//不转码还真不能保存成文件

　　foreach($article[title] as $key=>$value){

　　$article[title][$key] = iconv('utf-8', 'gbk', $value);//转码

　　}

　　//存入文件

　　$num = count($article['title']);

　　for($i=0; $i<$num; $i++){

　　file_put_contents("{$article[title][$i]}.txt", $article['content'][$i]);

　　}

　　/*本来想12点之前发的。。但小看一下都3点半了。。。 就算昨天的吧

　　本来获取文章内容时用正则是最好的，速度也是最快的，

　　奈何正则是好，但正则表达式是真难！于是乎小查了一下，

　　网上也有很多人也在用PHP Simple Dom 虽然效率慢了点，但效果还是不错的

　　从包含类库文件到写入txt文件 大概是7/8就秒 还有带于进一步优化，特别是那获取文章内容时的正则，那个太恶心了

　　大家可以小研究一下*/

　　?>