Делаю парсер но никак не получается. А задание такое:
Имеется код:
<div class="entry">
<div class="preview">
<a href="http://site.ru/index.php" rel="nofollow" target="_blank"><img alt="63338" border="0" src="/images/thumbs/1.jpg?1290252672" /></a>
</div>
<a href="http://site.ru/index.php" class="title" rel="nofollow" target="_blank">Название</a>
<div class="spam_warning" id="entry_63338_notice">
</div>
<div class="info">
<i>site.ru</i> — Описание
</div>
<div class="preview">
<a href="http://site2.ru/index.php" rel="nofollow" target="_blank"><img alt="63338" border="0" src="/images/thumbs/2.jpg?1290252672" /></a>
</div>
<a href="http://site2.ru/index.php" class="title" rel="nofollow" target="_blank">Название2</a>
<div class="spam_warning" id="entry_63338_notice">
</div>
<div class="info">
<i>site.ru</i> — Описание2
</div>
<div class="preview">
<a href="http://site3.ru/index.php" rel="nofollow" target="_blank"><img alt="63338" border="0" src="/images/thumbs/3.jpg?1290252672" /></a>
</div>
<a href="http://site3.ru/index.php" class="title" rel="nofollow" target="_blank">Название3</a>
<div class="spam_warning" id="entry_63338_notice">
</div>
<div class="info">
<i>site.ru</i> — Описание3
</div>
</div>
Нужно извлечь из этого списка тем ссылки, названия и описания.
DySprozin, пытался вытянуть (отпарсить) описание между </i> и </div>, но не получилось! В массиве thumd пусто :(
Где тут моя ошибка?
$text = file_get_contents( 'http://site.ru/' );
preg_match( '/^i>{2}[-,a-zA-Zа-яА-Я0-9]div>+$/', $text , $thumb[] );
print_r( $thumb );
Спустя 10 минут, 13 секунд (20.11.2010 - 20:36) DySprozin написал(а):
ak167
ну и в чем проблема? регулярка-то простенькая (;
ну и в чем проблема? регулярка-то простенькая (;
Спустя 5 минут, 55 секунд (20.11.2010 - 20:42) ak167 написал(а):
DySprozin, объясните мне пожалуйста что такое регулярка? Я просто парсеров никогда не делал.
Спустя 19 минут, 21 секунда (20.11.2010 - 21:01) DySprozin написал(а):
курим регулярку раз
курим регулярку двас
там настолько все понятно написано, что даже я понял (;
add
и да, не против, если на "ты"? По мне, выканье на форумах - как-то пластиково (не навязываю, но все-таки)
курим регулярку двас
там настолько все понятно написано, что даже я понял (;
add
и да, не против, если на "ты"? По мне, выканье на форумах - как-то пластиково (не навязываю, но все-таки)
Спустя 2 часа, 51 минута, 6 секунд (20.11.2010 - 23:52) ak167 написал(а):
DySprozin, пытался вытянуть (отпарсить) описание между </i> и </div>, но не получилось! В массиве thumd пусто :(
Где тут моя ошибка?
Где тут моя ошибка?
$text = file_get_contents( 'http://site.ru/' );
preg_match( '/^i>{2}[-,a-zA-Zа-яА-Я0-9]div>+$/', $text , $thumb[] );
print_r( $thumb );
Спустя 11 минут, 28 секунд (21.11.2010 - 00:04) DySprozin написал(а):
хм... давай разбирать твой шаблон:
/^i>{2}[-,a-zA-Zа-яА-Я0-9]div>+$/
^ - начало строки - это еще почему? разве хоть какая-то строка начинается с "i>"? убрать "^"!
i> - i и угловая скобка - логично...
{2} - ты говоришь: "угловая скобка должна быть два раза подряд"
дальше смотреть пока не буду, исправляй (; а то у тебя получилось:
"найди мне строку, начинающуюся на i>>"
/^i>{2}[-,a-zA-Zа-яА-Я0-9]div>+$/
^ - начало строки - это еще почему? разве хоть какая-то строка начинается с "i>"? убрать "^"!
i> - i и угловая скобка - логично...
{2} - ты говоришь: "угловая скобка должна быть два раза подряд"
дальше смотреть пока не буду, исправляй (; а то у тебя получилось:
"найди мне строку, начинающуюся на i>>"
Спустя 1 час, 38 минут, 19 секунд (21.11.2010 - 01:42) SlavaFr написал(а):
$pattern = '!href="([^"]+)" class="title"[^>]+>(.+)</a>.*<div class="info">.*>.*>(.+)</div>!sU';
$result = preg_match_all($pattern, $subject, $subpattern);
echo '<pre>'.print_r($subpattern, TRUE).'</pre>';
a по хорошим делам это делают при помощи DomDocument и XPath
Спустя 16 часов, 29 минут, 59 секунд (21.11.2010 - 18:12) ak167 написал(а):
| Цитата |
| хм... давай разбирать твой шаблон: /^i>{2}[-,a-zA-Zа-яА-Я0-9]div>+$/ ^ - начало строки - это еще почему? разве хоть какая-то строка начинается с "i>"? убрать "^"! i> - i и угловая скобка - логично... {2} - ты говоришь: "угловая скобка должна быть два раза подряд" дальше смотреть пока не буду, исправляй (; а то у тебя получилось: "найди мне строку, начинающуюся на i>>" |
DySprozin, действительно)))
Исправил вот так:
preg_match( '/^i{1}>{1}[-,a-zA-Zа-яА-Я0-9]div>+$/', $text , $thumb );
всеравно не работает! Теперь то что не так?
| Цитата |
| $pattern = '!href="([^"]+)" class="title"[^>]+>(.+)</a>.*<div class="info">.*>.*>(.+)</div>!sU'; $result = preg_match_all($pattern, $subject, $subpattern); echo '<pre>'.print_r($subpattern, TRUE).'</pre>'; |
SlavaFr, попробывал вставить ваш код. Не работает. Отображает больше чем нужно да и к тому же в непонятных символах вместо русских букв. Кстати, что это за символы?
Спустя 1 час, 17 минут, 23 секунды (21.11.2010 - 19:29) DySprozin написал(а):
хм... как тебе объяснить)) шило на мыло (;
^i - означает: строка начинается на i, ну где у тебя такая строка?
В принципе, могу накидать тебе шаблон, но ИМХО тебе полезней самому разобраться (;
^i - означает: строка начинается на i, ну где у тебя такая строка?
В принципе, могу накидать тебе шаблон, но ИМХО тебе полезней самому разобраться (;
Спустя 4 минуты, 45 секунд (21.11.2010 - 19:34) ak167 написал(а):
DySprozin, вот:
<i>site.ru</i> — Описание3
</div>
Я пытаюсь вырвать кусок с "i> - описание</div>". В идеале конечно нужно вырвать само описание, но я не знаю как. Поэтому вырываю этот кусок а затем с помощью str_replace удалю ненужные символы, чтобы осталось одно описание.
<i>site.ru</i> — Описание3
</div>
Я пытаюсь вырвать кусок с "i> - описание</div>". В идеале конечно нужно вырвать само описание, но я не знаю как. Поэтому вырываю этот кусок а затем с помощью str_replace удалю ненужные символы, чтобы осталось одно описание.
Спустя 8 минут, 3 секунды (21.11.2010 - 19:42) DySprozin написал(а):
;;DySprozin, вот:
ну и?)) строка-то у тебя начинается с <i>, так что либо
^<i>
либо совсем убрать "^" (;
шаблон для
вот:
дальше давай сам (;
ну и?)) строка-то у тебя начинается с <i>, так что либо
^<i>
либо совсем убрать "^" (;
шаблон для
<i>site.ru</i> — Описание3
</div>
вот:
/<\/i>[^<]+<\/div>/isU
дальше давай сам (;
Спустя 14 минут, 59 секунд (21.11.2010 - 19:57) DySprozin написал(а):
ах да, забыл, надо брать в скобки:
вариант1
/<\/i>([^<]+)<\/div>/isU
вариант2
#</i>([^<]+)</div>#isU
вариант3
#</i>([^<]+)$#isU
вариант1
/<\/i>([^<]+)<\/div>/isU
вариант2
#</i>([^<]+)</div>#isU
вариант3
#</i>([^<]+)$#isU
Спустя 1 час, 3 минуты, 22 секунды (21.11.2010 - 21:00) ak167 написал(а):
DySprozin, попробывал. Работает но с глюками. Вместо словосочетания "и тут наши "Катюши"... *@/!!!" выдает вот что:
Кодировка стоит windows-1251.
Из-за чего вылезает абракадабра вместо слов?
Кстати, он нашел вроде как описание одной темы, а мне нужно чтобы скрипт находил описание всех десяти тем! Как это осуществить?
Кодировка стоит windows-1251.
Из-за чего вылезает абракадабра вместо слов?
Кстати, он нашел вроде как описание одной темы, а мне нужно чтобы скрипт находил описание всех десяти тем! Как это осуществить?
Спустя 14 минут, 19 секунд (21.11.2010 - 21:15) DySprozin написал(а):
;;Как это осуществить?
preg_match_all юзай (;
;;Работает но с глюками.
а вот так?
#</i>([^<]+)$#isUu
preg_match_all юзай (;
;;Работает но с глюками.
а вот так?
#</i>([^<]+)$#isUu
Спустя 48 минут, 56 секунд (21.11.2010 - 22:04) ak167 написал(а):
DySprozin, так вообще не работает 
Спустя 6 часов, 33 минуты, 16 секунд (22.11.2010 - 04:37) DySprozin написал(а):
;;Из-за чего вылезает абракадабра вместо слов?
с другими кодировками играться не пробовал? попробуй вывод не на экран, а в другой файл (;
с другими кодировками играться не пробовал? попробуй вывод не на экран, а в другой файл (;
Спустя 5 часов, 41 минута, 9 секунд (22.11.2010 - 10:18) vergin написал(а):
попробуй это:
$pattern = "/<i>.+<\/div>/";
Спустя 2 дня, 9 часов, 47 минут, 6 секунд (24.11.2010 - 20:05) ak167 написал(а):
DySprozin, хотя нет, все работает! Нужно было лишь кодировку на сайте сменить! 
Я даже попытался получить еще и название из этого html-кода. Но получилось вот что:
названиеtarget="_blank"
Использовал вот такую решулярку: #target="_blank">([^<]+)</a>#isU
А вот получить ссылку так и не получилось. Не подскажите как мне это сделать и как получить название без arget="_blank"?
Я даже попытался получить еще и название из этого html-кода. Но получилось вот что:
названиеtarget="_blank"
Использовал вот такую решулярку: #target="_blank">([^<]+)</a>#isU
А вот получить ссылку так и не получилось. Не подскажите как мне это сделать и как получить название без arget="_blank"?
Спустя 1 час, 42 минуты, 2 секунды (24.11.2010 - 21:47) DySprozin написал(а):
;;Но получилось вот что
preg_match или preg_match_all использовали? (;
;;А вот получить ссылку так и не получилось.
что делали/какой результат? (;
preg_match или preg_match_all использовали? (;
;;А вот получить ссылку так и не получилось.
что делали/какой результат? (;
Спустя 23 часа, 26 минут, 49 секунд (25.11.2010 - 21:14) ak167 написал(а):
DySprozin, все названия получал во так:
потом приходилось чистить их вот так:
А вот ссылки получить так и не удалось. Для их получения использовал вот такой код:
preg_match_all( '#target="_blank">([^<]+)</a>#isU', $text , $title );
потом приходилось чистить их вот так:
for ($i=0; $i<=9; $i++)
{
$tit = str_replace( 'target="_blank">', '', $title[0][$i] );
echo $tit;
}
А вот ссылки получить так и не удалось. Для их получения использовал вот такой код:
preg_match_all( '#href"([^href"]+)"#isU><img alt="#isU', $text , $link );
Спустя 2 часа, 37 минут, 17 секунд (25.11.2010 - 23:51) DySprozin написал(а):
;;потом приходилось чистить их вот так:
потому что надо курить мануалы :P
правильно так:
т.е. echo $title[1][$i];
;;preg_match_all( '#href"([^href"]+)"#isU><img alt="#isU', $text , $link );
[^href"] означает: "без _символов_ h, r... итд" тебе оно надо? (; и "равно" после href пропустил (; ну, для первого раза очень даже неплохо, есть куда расти (; в данном же случае все просто до нельзя:
если что непонятно - спрашивай (;
потому что надо курить мануалы :P
правильно так:
for ($i=0; $i<=count($title[1]); $i++){
echo $title[1][$i];
}
т.е. echo $title[1][$i];
;;preg_match_all( '#href"([^href"]+)"#isU><img alt="#isU', $text , $link );
[^href"] означает: "без _символов_ h, r... итд" тебе оно надо? (; и "равно" после href пропустил (; ну, для первого раза очень даже неплохо, есть куда расти (; в данном же случае все просто до нельзя:
preg_match_all( '#href="([^"]+)"#isU', $text , $title );
for ($i=0; $i<count($title[1]); $i++)
{
echo $title[1][$i]."<br>";
}
если что непонятно - спрашивай (;
Спустя 20 часов, 10 минут, 34 секунды (26.11.2010 - 20:02) ak167 написал(а):
DySprozin, мануал я курил! Но там не все описано.
Например, из вашей регулярки после прочтения мануала мне не все ясно.
Вот например нормально работающщая регулярка опписания:
#</i>([^<]+)</div>#isU
ну знак # в начале и в концые это понятно. Далее </i> это то, по чему осуществляется поиск, тоже ясно.
Далее ([^<], как вы описали выше, значает без символов. В данном случаем без символа "<". Непонятно зачем и главное какое это имеет отношение к этому случаю?
Далее идет плюс и закрывается скобочка. Плюс это как я понимаю плюс еще какие-то сиволы, однако они не указаны в [a-z,0-9]. Почему?
Далее идет </div> и #isU. С этим тоже все понятно.
Буду благодярен, если ответите на мои вопросы.
Но там не все описано. Например, из вашей регулярки после прочтения мануала мне не все ясно.
Вот например нормально работающщая регулярка опписания:
#</i>([^<]+)</div>#isU
ну знак # в начале и в концые это понятно. Далее </i> это то, по чему осуществляется поиск, тоже ясно.
Далее ([^<], как вы описали выше, значает без символов. В данном случаем без символа "<". Непонятно зачем и главное какое это имеет отношение к этому случаю?
Далее идет плюс и закрывается скобочка. Плюс это как я понимаю плюс еще какие-то сиволы, однако они не указаны в [a-z,0-9]. Почему?
Далее идет </div> и #isU. С этим тоже все понятно.
Буду благодярен, если ответите на мои вопросы.
Спустя 36 минут, 17 секунд (26.11.2010 - 20:38) DySprozin написал(а):
ak167
>Далее ([^<], как вы описали выше, значает без символов.
не-а это означает: "любой символ, кроме этого"
>Далее идет плюс и закрывается скобочка.
плюс означает >=1 символа. Т.е. имеем:
</i>([^<]+)</div>
означает: "найти и сохранить (сохранение обеспечивают скобки) группу символов между </i> и </div>, причем символы любые, кроме угловой скобки" (;
>какое это имеет отношение к этому случаю?
очень просто: описание по определению не может содержать угловых скобок (для этого есть < >), потому можно этим воспользоваться (;
>Далее ([^<], как вы описали выше, значает без символов.
не-а
это означает: "любой символ, кроме этого">Далее идет плюс и закрывается скобочка.
плюс означает >=1 символа. Т.е. имеем:
</i>([^<]+)</div>
означает: "найти и сохранить (сохранение обеспечивают скобки) группу символов между </i> и </div>, причем символы любые, кроме угловой скобки" (;
>какое это имеет отношение к этому случаю?
очень просто: описание по определению не может содержать угловых скобок (для этого есть < >), потому можно этим воспользоваться (;
Спустя 1 день, 1 час, 25 минут, 20 секунд (27.11.2010 - 22:04) ak167 написал(а):
DySprozin, теперь ясны эти моменты.
Подредактировал с учетом вышеизложенного. Теперь ссылки находяться, однако, всего для 3-х тем вместо 10! Т.е. находятся не все. В чем причина?
И еще вместо чистой ссылки она опять с ненужными примесями!
Нужно так: http://yandex.ru
А она вот так: href="http://yandex.ru"rel="nofollow"target="_blank">
Использую вот эту регулярку:
#href="([^<]+)"><img alt="#isU
Вроде как делаю все правильно по аналогии с той регуляркой, которую ты мне давал ранее для описания (#</i>([^<]+)</div>#isU), однако, описание получаеться чистое без примесей, а ссылка с лишними примесями, которые я испольовал в регулярке, т.е. с href=" и "rel="nofollow"target="_blank">. Почему так?
Особенно удивляет почему из десяти тем парсер извлекает ссылки только из трех.
Подредактировал с учетом вышеизложенного. Теперь ссылки находяться, однако, всего для 3-х тем вместо 10! Т.е. находятся не все. В чем причина?
И еще вместо чистой ссылки она опять с ненужными примесями!
Нужно так: http://yandex.ru
А она вот так: href="http://yandex.ru"rel="nofollow"target="_blank">
Использую вот эту регулярку:
#href="([^<]+)"><img alt="#isU
Вроде как делаю все правильно по аналогии с той регуляркой, которую ты мне давал ранее для описания (#</i>([^<]+)</div>#isU), однако, описание получаеться чистое без примесей, а ссылка с лишними примесями, которые я испольовал в регулярке, т.е. с href=" и "rel="nofollow"target="_blank">. Почему так?
Особенно удивляет почему из десяти тем парсер извлекает ссылки только из трех.
Спустя 3 минуты, 31 секунда (27.11.2010 - 22:07) DySprozin написал(а):
;;всего для 3-х тем вместо 10!
ээ... где 10? (;
ээ... где 10? (;
Спустя 14 часов, 55 минут, 29 секунд (28.11.2010 - 13:03) ak167 написал(а):
DySprozin, в самом первом сообщении этой темы я привел код для 3-х сообщений. На самом деле их 10 и все надо отпарсить=)
Спустя 55 минут, 9 секунд (28.11.2010 - 13:58) DySprozin написал(а):
ak167
| Цитата |
| Использую вот эту регулярку: #href="([^<]+)"><img alt="#isU |
ну потому что ты не хочешь вникнуть :(
последняя подсказка: надо
#href="([^"]+)"><img alt="#isU
тогда мусора не будет (;
;;мануал я курил!
ну а ты думаешь, что я узнал от тайного общества программистов?))) в мануалах все есть, просто читать их надо вдумчиво, перед сном, а можно вместо сна :D
кидай в личку свой текст, будет время - напишу для него шаблон...