PHP中的正则表达式应用：数据采集技巧大揭秘

1. 正则表达式基础介绍

正则表达式是一种强大的字符串匹配工具，可以根据特定规则匹配字符、单词或字符块。在PHP开发中，正则表达式广泛用于数据采集、格式验证等场景。以下列出了一些常用的正则表达式示例：

1.1 匹配任意字符

英文句点 . 在正则表达式中表示匹配除换行符外的任意单个字符。例如，表达式 '.' 可以匹配任意一个字符：

<span class="fun">'.'</span>

1.2 匹配指定字符集

使用方括号 [] 可以匹配括号内的任意一个字符。例如：

<span class="fun">[abc]</span>

匹配字符 a、b 或 c。

若想匹配一定范围的字符，可以用连字符 -，如：

<span class="fun">[a-z]</span>

表示匹配所有小写英文字母。

1.3 数量限定符

通过限定符可以控制字符出现的次数，常用的包括：

• ? - 匹配前一个字符0次或1次
• * - 匹配前一个字符0次或多次
• + - 匹配前一个字符1次或多次
• {n} - 精确匹配n次
• {n,} - 至少匹配n次
• {n,m} - 匹配n到m次

例如，匹配1到2位的十六进制数字：

<span class="fun">[0-9a-fA-F]{1,2}</span>

该表达式匹配数字0-9及字母a-f（不区分大小写），出现一次或两次。

2. PHP中正则表达式的实战应用：数据采集

2.1 使用curl获取网页内容

PHP的curl库可以方便地抓取网页数据。以下示例展示了如何请求百度首页：

$curl = curl_init('http://www.baidu.com');
curl_setopt($curl, CURLOPT_RETURNTRANSFER, true);
$html = curl_exec($curl);
curl_close($curl);
<p>echo $html;<br>

代码中，curl_init()初始化curl会话，curl_setopt()设置返回网页内容，curl_exec()执行请求，最后关闭会话。

2.2 提取网页中的链接

在获取到网页HTML后，可以利用正则表达式提取特定内容。例如，抓取所有标签中的链接地址及文字：

preg_match_all('/<a href="(.*)" target="_blank">(.*)<\/a>/U', $html, $matches);
foreach ($matches[2] as $match) {
  echo $match . '\n';
}

上述正则匹配所有符合条件的标签，并将href属性和链接文本分别存储在$matches数组中。通过遍历$matches[2]即可输出所有链接文本。

preg_match_all('/<img src="(.*)" width=.* height=.*>/U', $html, $matches);
foreach ($matches[1] as $match) {
  echo $match . '\n';
}