本文为一个提取一批新闻网页中的文本的小程序，它可以将各篇新闻的内容存为以该新闻标题为文件名的文本文件。如有更好的处理方法，请和我联系：
lwx3069@sina.com
这里以人民网中的“今日要闻”下的新闻为例.
<?php
($url) ? "" : $url = "http://www.unn.com.cn/GB/channel2/3/11/index.html"; // 今日要闻
if(isset($url)&&$url!="") {
$str = implode("",file($url));
$str_ary = explode("<ul>",$str);
$str_ary = explode("<li>",trim($str_ary[1]));
for ($i=0; $i<8; $i++) {
if (strlen(trim($str_ary[$i]))<3){
continue;
}
echo "新闻".$i."：".$str_ary[$i];
$str1=strstr("$str_ary[$i]",'<a href="/');
$str2=strstr("$str_ary[$i]",'" target');
$len1=strlen("$str1");
$len2=strlen("$str2");
$len=$len1-$len2;
$url=substr("$str1",10,$len-10);
if (strlen(trim($url))!=0) {
$url = "http://www.unn.com.cn/".$url;
define(CONTENTS_DIR,"./contents/");
if(isset($url)&&$url!="") {
$str = implode("",file($url));
$str1=explode('<div align="right">',$str); //去掉文件没用的上半部分
$str2 = explode('<h4 align="center"> </h4>',$str1[1]);
//取出文件的下半部分，并去掉没用的下半部分，这时得到的都是有用的
$str3=explode('</font><font size="+2"><b><font size="3">',$str2[0]); //从整个有用部分取出文件标题和正文
$str4=explode('</div>',$str2[0]); //取出日期和时间
$str5=explode('</font></b></font><font size="2">',$str3[1]); //从标题和正文部分取出标题
$title=str_replace("<br>","",$str5[0]);
$str3=explode('<p><font size="2">',$str2[0]); //从整个有用部分取出文件正文
$str3[1]=str_replace('<br><br> ',"\n"." ",$str3[1]);
$str3[1]=str_replace(' ',"",$str3[1]);
$str3=strip_tags($str3[1]);
$pf=trim($title).".txt";
$ppf=fopen(CONTENTS_DIR."$pf",'w');
fputs($ppf,$title);
fputs($ppf,"$str4[0]");
fputs($ppf,$str3);
}
}
}
}
?> |