PHP Regex分析RSS

複製代碼 代碼如下:$xmlfile = 'news/'.date('YmdH').'.xml';
$sourcexml = 'http://www.chinanews.com.cn/rss/scroll-news.xml';
if( !file_exists($xmlfile) ) {
$str = @file($sourcexml) or die('負載檔案時出錯。');
$fp = fopen($xmlfile,'w') or die('寫緩衝失敗!');
fputs($fp,$str);
fclose($fp);

然後用simplexml讀取並輸出HTML 複製代碼 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>
";

後來遇到了一個問題，就是RSS中經常包含有一些GBK的繁體字。google了很多字元集轉換方面的文章。得出一個解法： 複製代碼 代碼如下:$str = mb_convert_encoding( join('',$str), "gb2312", "GBK");

這個方法並不能繁體轉為簡體，會轉成一個亂碼，但至少能保證simplexml_load_file($xmlfile)執行成功。因為這些繁體字通常出現在描述裡
，暫且接受。
再後來遇到另一個問題，描述裡出現了形如“中新網12月30日電(聞育e?”的亂碼，simplexml_load_file失敗。
至此考慮用Regex擷取標題和連結。（有文章說Regex效率可能更好，以後再驗證）
代碼如下： 複製代碼 代碼如下:$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>
";
}
}