Парсинг удалённого сайта. Проблема с кириллицей. « PHP для идиотов

Сообщения: 8 Репутация: N Группа: Кто попало

Фев. 26, 2010, 9:28 п.п.

Пытаюсь парсить удалённый сайт. Русские символы, если их задавать непосредственно в preg_match, не отображаются в результате.


$page = file_get_contents($link);
preg_match("#пиво#u", $page, $arr);

Выше изложенное выдаёт пустой массив.

Если тоже самое сделать с обычной строкой и считывать с локального файла, то всё ОК.

Если необходимо, то прикладываю свой phpinfo().

phpinfo.html.zip (39)

Ewg777

Сообщения: 510 Репутация: N Группа: Джедаи

Фев. 26, 2010, 9:31 п.п., спустя 3 минуты 46 секунд

Справку забыли вложить

Ewg777

Сообщения: 510 Репутация: N Группа: Джедаи

Фев. 26, 2010, 10:14 п.п., спустя 42 минуты 33 секунды

Русские символы, если их задавать непосредственно в preg_match, не отображаются в результате.

~~У Вас венда? Значит Вы пищите, используя cp1251. А значит модификатор u приводит к неверному результату.~~

Спустя 25 сек.

Верно говоришь

Спустя 12 сек.

Всё же склеиваются…
Сттранный ТС какой-то.

Vans

Сообщения: 8 Репутация: N Группа: Кто попало

Фев. 26, 2010, 10:45 п.п., спустя 31 минуту 14 секунд

Модификатор u убирал и даже при поиске одиночного символа


<?php

$page = file_get_contents($link);
preg_match("#а#",$page,$arr);
print_r($arr);

?>

Ответ - пустой массив.

adw0rd

Сообщения: 22959 Репутация: N Группа: в ухо

Фев. 26, 2010, 11:52 п.п., спустя 1 час 6 минут 36 секунд

Vans, в какой кодировке документ который парсите? В какой кодировке скрипт?
Дайте скрипт (сам файл) и дайте документ который парсите, либо ссылку на него

https://smappi.org/ - платформа по созданию API на все случаи жизни

Vans

Сообщения: 8 Репутация: N Группа: Кто попало

Фев. 27, 2010, 12:47 д.п., спустя 55 минут 30 секунд

Вот линк http://mob.ua/phone/nokia/nokia_5530_xpressmusic.html
Сижу под Kubuntu 9.10 с кодировкой UTF-8, LAMP ставил с репозитория через синаптик.
В случае чего, я прикрепил к первому посту свой phpinfo.
Необходимо собрать:
i.Производитель телефона
ii.Название модели телефона
iii.GSM/CDMA стандарты
iv.Тип аккумулятора
v.Наличие FM-радио
vi.Количество цветов

Vans

Сообщения: 8 Репутация: N Группа: Кто попало

Фев. 27, 2010, 12:58 д.п., спустя 11 минут 8 секунд

Вот код самого скрипта



<?php
setlocale(LC_CTYPE, "ru_RU.CP1251");
    class parsing {

        //получаем ссылки
        function link() {
            //URL страницы для парсинга
            $url="http://mob.ua/phone/";
            //массив, который будет возвращать функция
            $links = array();
            //счётчик для фильтрующего цикла
            $j=0;
            
            //Если на одной странице 30 товаров, то 100-й будет на 4-й. Парсим 4 страницы
            for ($i=1; $i<=4; $i++) {
                $page = file_get_contents($url."page_".$i);
                preg_match_all('|<h2 class="phone_subtitle"><a href="(.*\.html)">|Uis',$page,$arr);
                    //приводим полученый массив ссылок в более приглядный вид, отсекая лишние элементы
                    for ($c=0; $c<30;$c++) {
                        $links[$j] = $arr[1][$c];
                        $j++;
                        if ($j>99) break;
                    }
            }
            
            return $links;
        }

        //получаем характеристики со страниц описания
        function feature($link) {
            $page = file_get_contents($link);
            iconv("UTF-8","CP1251", $page);
            //Получаем производителя и название модели
            preg_match_all('|<title>(.+)\s(.+)\s-\s|Uis',$page, $arr);
            $features[0] = $arr[1][0];
            $features[1] = $arr[2][0];
            //Получаем стандарт
            preg_match('#GSM\s\(\d{3,4}.*\)|CDMA\s\(\d{3,4}.*\)#',$page, $arr);
            $features[2] = $arr[0];
            //Получаем инфу о наличии FM-радио
            preg_match('#FM#',$page, $arr);
            $features[3] = $arr[0];
            //Получаем инфу о типе аккумулятора
            preg_match('#Li-Ion.*\d{3,4}.*#', $page, $arr);
            $features[4] = $arr[0];
            //Получаем инфу о кол-ве цветов - Это у меня не получается
            preg_match("#[а-яА-Я]{0,10}#", $page, $arr);
            $features[5] = $arr[0];

            return $features;
        }

    }

    $parse = new parsing;
    $params = $parse->feature('http://mob.ua/phone/nokia/nokia_5530_xpressmusic.html');
    print_r ($params);
    //$links = $parse->link();
    
    ?>

index.php.zip (30)

Nyaah

Сообщения: 574 Репутация: N Группа: Джедаи

Фев. 27, 2010, 1:13 д.п., спустя 14 минут 4 секунды

жесть с кодировками )))
у тебя небось сам файл в ютф8, ты устанавливаешь локаль сипи1251, сам текст я так понимаю получаешь в сипи1251, пытаешься его пергнать в ютф8 (кстати неправильно, в iconv входящая строка не по ссылке передаётся, должно быть $page = iconv(…, $page);) и потом парсишь регуляркой написанной в ютф8 строку в сипи1251 в скрипте с локалью сипи1251… Есть подозрение что тут что-то нетак =)
Не хочешь привести все к одной кодировке, не?
Ещё, если юзаешь мультибайтовые кодировки, то можно посмотреть в сторону mb_ereg.

Work, buy, consume, die

andrrr

Сообщения: 12 Репутация: N Группа: Кто попало

Фев. 27, 2010, 1:20 д.п., спустя 7 минут 5 секунд

Прикольно, что при всем этом скрипт работает. гг.

Array
(
    [0] => Nokia
    [1] => 5530 XpressMusic
    [2] => GSM (900, 1800, 1900)
    [3] => FM
    [4] => Li-Ion аккумулятор 1000 мАч
    [5] => 
)

adw0rd

Сообщения: 22959 Репутация: N Группа: в ухо

Фев. 27, 2010, 1:23 д.п., спустя 3 минуты 23 секунды

andrrr, ну тогда к чему топик, если все работает?

https://smappi.org/ - платформа по созданию API на все случаи жизни

phpdude

Сообщения: 26646 Репутация: N Группа: в ухо

Фев. 27, 2010, 1:28 д.п., спустя 4 минуты 33 секунды

andrrr, ну тогда к чему топик, если все работает?

это воспитание эдво, забей)

Сапожник без сапог

Vans

Сообщения: 8 Репутация: N Группа: Кто попало

Фев. 27, 2010, 1:32 д.п., спустя 4 минуты 40 секунд

andrrr, ну тогда к чему топик, если все работает?

Топик к тому, что последний параметр(количество цветов) получить не получается. Если задавать в регулярке любой русский символ результатом будет пустой элемент массива. Если есть альтернатива тому, что я использовал, то подскажите пожалуйста.

Жесть с кодировками - это да… Но iconv() и setlocale() появились, когда я уже совсем обессилил.

andrrr

Сообщения: 12 Репутация: N Группа: Кто попало

Фев. 27, 2010, 2:09 д.п., спустя 37 минут 10 секунд


//		setlocale(LC_CTYPE, "ru_RU.CP1251"); закомментить 

… поскипано …

      function feature($link) {
            $page = file_get_contents($link);
            $page = iconv('windows-1251', 'utf-8', $page);

… поскипано …

            // Вроде получается
            preg_match('#Экран#', $page, $arr);

А вообще я сам еще не полностью вкурил специфику работы пхп с кириллицей. Может кто-нибудь придумает лучше, без iconv

andrrr, ну тогда к чему топик, если все работает?

Та да, поспешил. Увидел 'аккумулятор' в выводе и обрадовался

Vans

Сообщения: 8 Репутация: N Группа: Кто попало

Фев. 27, 2010, 2:18 д.п., спустя 8 минут 43 секунды

andrrr, огромное спасибо, а то я под конец дня уже совсем перестал соображать.

adw0rd

Сообщения: 22959 Репутация: N Группа: в ухо

Фев. 27, 2010, 2:37 д.п., спустя 19 минут 2 секунды

Вас оказывается двое :)

https://smappi.org/ - платформа по созданию API на все случаи жизни

Парсинг удалённого сайта. Проблема с кириллицей.

Войти