快捷導(dǎo)航

PHP 正則表達(dá)式分析RSS

更新時(shí)間：2009年01月01日 15:28:32 作者：

近做了一個(gè)讀取中國新聞網(wǎng)RSS的頁面。首先是把RSS文檔下載下來保存到本地

$xmlfile = 'news/'.date('YmdH').'.xml'; 
$sourcexml = 'http://www.chinanews.com.cn/rss/scroll-news.xml'; 
if( !file_exists($xmlfile) ) { 
$str = @file($sourcexml) or die('加載文件時(shí)出錯(cuò)。'); 
$fp = fopen($xmlfile,'w') or die('寫緩存失敗!'); 
fputs($fp,$str); 
fclose($fp); 

然后用simplexml讀取并輸出HTML

復(fù)制代碼代碼如下:

$xml = simplexml_load_file($xmlfile); 
$c = $xml->channel; 
$k = 0; 
foreach($c->item as $v) { 
$k ++; 
echo " 
<div class=\"newsline\">·<a title=\"$v->title\" href=\"$v->link\" target=\"_blank\">$v->title</a></div> 
"; 

后來遇到了一個(gè)問題，就是RSS中經(jīng)常包含有一些GBK的繁體字。google了很多字符集轉(zhuǎn)換方面的文章。得出一個(gè)解法：

復(fù)制代碼代碼如下:

$str = mb_convert_encoding( join('',$str), "gb2312", "GBK");

這個(gè)方法并不能繁體轉(zhuǎn)為簡體，會轉(zhuǎn)成一個(gè)亂碼，但至少能保證simplexml_load_file($xmlfile)執(zhí)行成功。因?yàn)檫@些繁體字通常出現(xiàn)在描述里
，暫且接受。
再后來遇到另一個(gè)問題，描述里出現(xiàn)了形如“中新網(wǎng)12月30日電(聞育e?”的亂碼，simplexml_load_file失敗。
至此考慮用正則表達(dá)式獲取標(biāo)題和鏈接。（有文章說正則表達(dá)式效率可能更好，以后再驗(yàn)證）
代碼如下：

復(fù)制代碼代碼如下:

$fp = fopen($xmlfile,'r'); 
if($fp) 
{ 
$data = fread($fp,filesize($xmlfile)); 
fclose($fp); 
preg_match_all( 
"/<item><title>(.*?)<\/title><link>(.*?)<\/link>/i",$data,$out,PREG_SET_ORDER); 
foreach($out as $key => $v) 
{ 
$v[1] = iconv('gbk','utf-8',$v[1]); 
echo " 
<div class=\"newsline\">·<a title=\"$v[1]\" href=\"$v[2]\" target=\"_blank\">$v[1]</a></div> 
"; 
} 
} 