利用PHP高效采集新闻列表及详情，巧妙解决相对路径和内容提取难题
本文将详细讲解如何运用PHP、cURL和正则表达式，从目标网站高效采集新闻列表和新闻详情，并重点解决相对路径和内容提取的常见问题。
首先，我们需要获取新闻列表页面的HTML内容。可以使用cURL函数，将目标网站的列表页URL（例如：http://www.example.com/news）作为参数传入，即可获取页面源代码。
挑战一：处理相对路径的新闻链接
立即学习“PHP免费学习笔记（深入）”；
列表页的新闻链接通常是相对路径，例如/article/40958.html。为了得到完整的URL，需要将网站域名与相对路径拼接。虽然可以使用正则表达式href="https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c"提取链接，但这仅获取相对路径。我们需要在PHP中进行进一步处理：
$html = curl_exec($ch); // 获取页面HTML内容
preg_match_all('/<a\s+href="https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c"/i', $html, $matches); // 提取所有<a href="">标签中的链接
$news_links = [];
$base_url = 'http://www.example.com'; // 替换为目标网站域名
foreach ($matches[1] as $relative_path) {
$absolute_url = $base_url . ($relative_path[0] == '/' ? $relative_path : '/' . $relative_path); // 拼接完整URL
$news_links[] = $absolute_url;
}
```
这段代码首先使用正则表达式提取所有`<a href="">`标签中的链接，然后遍历提取的相对路径，将其与网站域名拼接成完整的URL，存储到`$news_links`数组中。
**挑战二：高效提取新闻详情页内容**
接下来，遍历`$news_links`数组中的每个链接，再次使用cURL获取新闻详情页的HTML内容，并提取新闻标题和内容。
```php
foreach ($news_links as $news_link) {
curl_setopt($ch, CURLOPT_URL, $news_link);
$detail_html = curl_exec($ch);
// 提取新闻标题 (需要根据实际HTML结构调整正则表达式)
preg_match('/<title>(.*?)<\/title>/i', $detail_html, $title_match);
$title = isset($title_match[1]) ? $title_match[1] : '';
// 提取新闻内容 (需要根据实际HTML结构调整正则表达式)
preg_match('/<div class="content text-xs">https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c<\/div>/is', $detail_html, $content_match);
$content = isset($content_match[1]) ? strip_tags($content_match[1]) : ''; // 使用strip_tags清除HTML标签
// 输出新闻标题、完整路径和内容
echo "标题: " . $title . "<br>";
echo "链接: " . $news_link . "<br>";
echo "内容: " . $content . "<br><br>";
}
这段代码遍历每个新闻链接，获取详情页HTML，使用正则表达式提取内容和标题（注意：标题和内容的正则表达式需要根据实际HTML结构调整）。strip_tags()函数用于清除HTML标签，得到纯文本内容。最后，将提取的信息输出。 /is修饰符中的s允许.匹配换行符。
总结:
本方法使用cURL和正则表达式实现了新闻采集。 然而，对于复杂的HTML结构，建议使用DOM解析器（例如DOMDocument）以提高代码的可读性和维护性，并减少正则表达式出错的风险。 请务必根据目标网站的HTML结构调整正则表达式。 记住替换'http://www.example.com'为实际的目标网站域名。
