php - 通过 preg_match_all 从页面 url 获取所有 imdb id

Question

如何从页面获取所有 IMDB id？例如，我想从这里获取所有 id 。在该页面中，网址的格式为：

http://www.imdb.com/title/tt0948470/

我需要使用从页面获取所有 id preg_match_all()- 有什么可以帮助我吗？

Answer 1

好的，我没有提供熟化的代码。Firefox 中“查看选择源”的一个简单功能让我看看每个链接在格式上都有 href 属性：

href="/title/tt1615065/"

现在构建一个 RegEx 将是微不足道的。我建议你一个好的正则表达式教程和一个非贪婪的匹配就可以了。祝你好运！

Answer 2

好的，我给出了熟化的代码，但我也解释一下：

1. 获取 HTML 源代码
2. 解析所有<a> href属性
3. 如果它们的值匹配，则使用正则表达式进行测试。
4. 如果匹配，请从链接中提取 id 并以不会重复的方式存储它。
5. 完毕。

示例/演示

// initialize
$ids   = array(); 
$url   = 'http://www.imdb.com/movies-coming-soon/'; # this URL
$expr  = '//a/@href';                               # these attributes
$regex = '(/title/(tt\d{5,7})/)u';                  # matching this regex
$match = 1;                                         # take group 1

// process
foreach((new DOMXpath(@DOMDocument::loadHTMLFile($url)))->query($expr) as $obj)
    preg_match($regex, $obj->value, $matches)
      && $ids[$matches[$match]] = 0;
    ;
$ids = array_keys($ids);

// output
print_r($ids);

（注意：你标记了这个问题 PHP5，当前稳定的 PHP5 是 5.4，这个例子也是；如果你用 curl 包装器配置你的 PHP5 版本，这个代码是curl。）

编辑：较低的 PHP 版本：

...
// process
$xp = new DOMXpath(@DOMDocument::loadHTMLFile($url));
foreach($xp->query($expr) as $obj)
...

编辑 2：只看到 IMDB 标记了它的标记，因此可以检索该列表的实际电影条目，而不是该页面上的任何标题链接。

这需要对所使用的 xpath 表达式进行一些改进。因为解析现在更加智能，所以不存在重复项，因此无需删除它们：

// initialize
$ids   = array();
$url   = 'http://www.imdb.com/movies-coming-soon/'; # this URL
$expr  = '//*[@itemtype="http://schema.org/Movie"]
                //a[@itemprop="url"]/@href';        # these attributes
$regex = '(/title/(tt\d{5,7})/)u';                  # matching this regex
$match = 1;                                         # take group 1

// process
$xp = new DOMXpath(@DOMDocument::loadHTMLFile($url));
foreach($xp->query($expr) as $obj)
    preg_match($regex, $obj->value, $matches)
        && $ids[] = $matches[$match];
;