网页抓取信息（php正则表达式、php操作excel）

1.问题描述

实现对固定网页上自己需要的信息抓取，以表格形式存储。我是拿wustoj上的一个排行榜来练习的，地址：wustoj

2.思路

网页自己就简单学习了一下php，刚好用它来做点事情吧，我的想法是这样的：

（1）查看网页源代码并保存在文件中。

（2）根据需要的信息写出正则表达式，读文件，根据正则表达式来提取需要的信息。写正则表达式的时候最好分组，这样提取起来就方便了很多。

（3）对excel操作，将提取的信息以excel的形式输出。

比较好的开源php处理excel类链接：点击打开链接

3.体会

^是指要是原字符串的开头，$是指要是原字符串的结尾。
空字符不一定是空格。
用（）来分组是好方法，如preg_macth_all(/$pattern/,$subject,matches)。
matches为二维数组，如果没有_all，则只会匹配第一部分，是一维数组。
$matches[0]保存完整模式的所有匹配。$matches[1]保存第一子组所有匹配，即所有匹配的第一部分。
中文匹配串我用的这个$patt_ch=chr(0x80)."-".chr(0xff)。

4.代码

<?phpheader ("Content-Type: text/html; charset=utf-8");$url = "http://acm.wust.edu.cn/contestrank.php?cid=1014";$result=file_get_contents($url);$file=fopen("content.php","w");fwrite($file,$result);$file=fopen("content.php","r");$patt_ch=chr(0x80)."-".chr(0xff);// <td>1<td>)([0-9]+|\*)(</td><td part2 href="status.php?user_id=team30&cid=1014">team30_姓名$namepatt="(<a>)(\*{0,1}team[0-9]+)(_)([$patt_ch]+)()";  // part2 part4//$namepatt="(team[0-9]+)(_)([$patt_ch]+)";   也可以用这个直接匹配"team_姓名"//</a><a href="status.php?user_id=team30&cid=1014&jresult=4">7</a>$problempatt="(<a>)([0-9]+)()";//Include classrequire_once('Classes/PHPExcel.php');require_once('Classes/PHPExcel/Writer/Excel2007.php');$objPHPExcel = new PHPExcel();//Set properties 设置文件属性$objPHPExcel->getProperties()->setCreator("Maarten Balliauw");$objPHPExcel->getProperties()->setLastModifiedBy("Maarten Balliauw");$objPHPExcel->getProperties()->setTitle("Office 2007 XLSX Test Document");$objPHPExcel->getProperties()->setSubject("Office 2007 XLSX Test Document");$objPHPExcel->getProperties()->setDescription("Test document for Office 2007 XLSX, generated using PHP classes.");$objPHPExcel->getProperties()->setKeywords("office 2007 openxml php");$objPHPExcel->getProperties()->setCategory("Test result file");$row=1;$objPHPExcel->getActiveSheet()->setCellValue('A'.$row, 'rank');$objPHPExcel->getActiveSheet()->setCellValue('B'.$row, 'team');$objPHPExcel->getActiveSheet()->setCellValue('C'.$row, 'solved');while(!feof($file)){	//echo $row." ";	$line=fgets($file);	if(preg_match("/$rankpatt/",$line,$match))	{		$row++;		//print_r	($match);		//echo	$match[2]." ";		//echo	"<br>";		$objPHPExcel->getActiveSheet()->setCellValue('A'.$row, $match[2]);		$objPHPExcel->getActiveSheet()->getStyle('A'.$row)->getAlignment()->setHorizontal(PHPExcel_Style_Alignment::HORIZONTAL_LEFT);	}	if(preg_match("/$namepatt/",$line,$match))	{		//print_r	($match);		//echo	$match[2]." ".$match[4]." ";		//echo	"<br>"; 		$objPHPExcel->getActiveSheet()->setCellValue('B'.$row, $match[2].$match[4]);	}	if(preg_match("/$problempatt/",$line,$match))	{		//print_r	($match);		//echo	$match[2]." ";		//echo	"<br>";		$objPHPExcel->getActiveSheet()->setCellValue('C' . $row, $match[2]);		$objPHPExcel->getActiveSheet()->getStyle('C'.$row)->getAlignment()->setHorizontal(PHPExcel_Style_Alignment::HORIZONTAL_LEFT);	}	$objWriter = new PHPExcel_Writer_Excel2007($objPHPExcel);	$objWriter->save(str_replace('.php', '.xlsx', __FILE__));}echo	"well done:)";?>  <br>  <br>  <p>5.运行结果</p>  <p><br> </p>  <p><br> </p>  <p><br> </p> </a>
</td>