PHP 使用 preg_match_all 進行資料採集與處理實戰筆記：編碼轉換與正則匹配技巧

前言

在進行網頁資料採集時，PHP 的 preg_match_all 是提取結構化資料的利器。本文整理了從採集到清洗、匹配、去標籤的完整流程，並分享編碼轉換與正則優化的實戰經驗，幫助開發者快速構建穩健的採集腳本。

一、使用 cURL 實現跨站採集

採集的第一步是獲取目標頁面原始碼。推薦使用 cURL 庫，支援 HTTPS、Cookie、User-Agent 等完整 HTTP 特性。詳細實作可參考筆者先前文章：PHP cURL 採集基礎教學。

二、字元編碼轉換：解決亂碼根源

目標網站可能使用 GBK、Big5、UTF-8 等不同編碼。採集前務必檢視 Content-Type 或頁面 <meta charset> 確認原始編碼，再用 mb_convert_encoding() 統一轉為 UTF-8：

// 已知原編碼為 GBK
$str = mb_convert_encoding($str, 'UTF-8', 'GBK');

// 未知編碼，啟用自動偵測
$str = mb_convert_encoding($str, 'UTF-8', 'auto');

提示：若 mbstring 擴展未啟用，可改用 iconv()，但 mb_convert_encoding 對中文支援更佳。

三、預清洗：移除干擾匹配的空白字元

HTML 原始碼常含換行、Tab、多餘空格，導致正則匹配失敗。建議在匹配前統一清理：

方法一：str_replace 逐項替換（效能較好）

$contents = str_replace(["\r\n", "\n", "\t", " "], '', $contents);

方法二：正則一次清理（語法簡潔）

$contents = preg_replace('/[\r\n\t ]+/', '', $contents);

實測下，str_replace 在大型字串處理上速度快約 2-3 倍，建議優先使用。

四、核心步驟：preg_match_all 精準提取資料

preg_match_all 可一次擷取所有符合模式的片段，語法如下：

int preg_match_all(string $pattern, string $subject, array &$matches, int $flags = 0)

常用旗標：

• PREG_PATTERN_ORDER（預設）：$matches[0] 為完整匹配（含邊界），$matches[1] 為第一個捕獲組……
• PREG_SET_ORDER：$matches[0][0] 為第一筆完整匹配，$matches[0][1] 為第一筆第一捕獲組，結構更直觀，推薦採集場景使用。
• PREG_OFFSET_CAPTURE：回傳位移資訊，適合需定位原文位置的場景。

實戰範例：提取文章段落

// 目標：
實際內容
preg_match_all('/<p class="content">(.*?)<\/p>/s', $contents, $out, PREG_SET_ORDER);

// $out[0][0] → 含標籤完整字串
// $out[0][1] → 僅捕獲組內容（即「實際內容」）
// 第 n 筆資料：$out[n-1][1]
// 若有多個捕獲組：$out[n-1][m] 取第 m 組

關鍵技巧：

• 使用 s 修飾符讓 . 匹配換行，避免跨行匹配失敗。
• 邊界標籤盡量具體（如 class="content"），減少誤匹配。
• 若結構複雜，考慮搭配 DOMDocument 或 QueryList 等解析器，比純正則更穩健。

五、去除 HTML 標籤：取得純文字內容

提取到帶標籤的片段後，使用 PHP 內建 strip_tags() 一鍵淨化：

$cleanText = strip_tags($out[0][1]);
// 保留特定標籤（如 
, ）：
$cleanText = strip_tags($out[0][1], '
');