您现在的位置：程式碼之家 >> 編程語言 > >> 網頁程式設計 >> PHP 程式設計 >> PHP 相關知識

PHP 網頁內容擷取實作：正則與字串切割兩種解析函式範例

編輯：PHP 相關知識

需求背景

撰寫網頁爬蟲或資料采集程式時，常需從 HTML 原始碼中提取標題、作者、正文等區塊。本文提供兩種通用解析函式：正則表達式版與字串分割版。

工具函式定義

<?php
// 正則表達式擷取：$start 與 $end 為正則模式
function preg_substr($start, $end, $str) {
    $temp = preg_split($start, $str);
    $content = preg_split($end, $temp[1]);
    return $content[0];
}

// 字串分割擷取：$start 與 $end 為純字串
function str_substr($start, $end, $str) {
    $temp = explode($start, $str, 2);
    $content = explode($end, $temp[1], 2);
    return $content[0];
}
?>

實際應用範例

<?php
// 取得遠端頁面並轉碼（視目標網站編碼調整）
$url = 'https://example.com/article/123';
$html = iconv('UTF-8', 'GB2312//IGNORE', file_get_contents($url));

// 1. 擷取標題 ...
$title = str_substr('', '', $html);
echo "標題: $title\n";

// 2. 正則擷取作者連結 作者名
$author = preg_substr('/userid=\d+">', '', $html);
echo "作者: $author\n";

// 3. 擷取內容區塊 ...
$content = str_substr('', '', $html);
echo "內容: $content\n";
?>

兩種方法比較

特性	`preg_substr` (正則)	`str_substr` (字串分割)
靈活度	高（支援複雜模式）	低（固定字串）
效能	較慢	極快
適用場景	標籤屬性不固定、需模糊匹配	結構固定、明確標記
編碼敏感度	需注意模式編碼一致	直接比對位元組

進階建議

大型專案建議使用 DOMDocument + XPath 或 QueryList / Symfony DomCrawler 等成熟解析庫，健壯度遠超手工切割。
正則解析 HTML 易因標籤巢狀、屬性順序變動而失效，僅適合簡單、一次性任務。
注意 `file_get_contents` 需開啟 `allow_url_fopen`，或改用 cURL 取得更完整的錯誤控制與標頭模擬。