作者poeta (鍵盤詩人)
看板PHP
標題[請益] 擷取網頁內容時，想把不要的內容排除
時間Mon Oct 19 16:52:13 2015
我現在要做一個事情，是分析歌詞裡常出現的詞句。
當然首先就要先收集大量的歌詞，我就去常見的歌詞網來
找，他們的歌詞都有寫在網頁的meta裡，像這樣
<meta name="description" content="八卦 黃安作曲 八卦八卦我牽掛" />
所以很容易用 get_meta_tags就可以截取出來，我擷取出
來以後，先把每一句歌詞後面的空白變成<br>，然後每遇
到一個<br>，就把它放入陣列裡面。這樣echo陣列，就會
印出每一句歌詞。
但是印出陣列時，我發現除了歌詞之外，還會擷取到
詞曲作者的資訊，這不是我需要的，大概會變成這樣：
作詞：黃安<br>
演場：白安<br>
/<br>
李慶安<br>
導演：李安<br>
八卦八卦我牽掛<br>
找不到你爸爸<br>
找不到你媽媽<br>
找不到你全家<br>
我目前遇到的兩個問題是，有兩個演唱人時，原本他是用
/ 和空白區隔，都被我的<br>處理到了。另一個問題就是
上面提到的，作曲人資訊我完全不需要，有什麼辦法可以
把那些資訊剃除掉呢？
目前想到的方法是，把導演、作詞、作曲等等所有的
資訊都收集起來，做一個判斷式，遇到了就不輸出。可是
這就面臨前一段指出的，雙演唱人誤判的問題。而不先處
理空白變成<br>，把歌詞分段輸入陣列，就不能做判斷，
所以就卡關了。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.232.160.76
※ 文章網址: https://www.ptt.cc/bbs/PHP/M.1445244735.A.3C0.html
※ 編輯: poeta (36.232.160.76), 10/19/2015 16:52:45
推 rockmanalpha: 直接擷取網頁中的會不會比較好 因為顯示在網頁的 10/19 17:06
→ rockmanalpha: 都有換行 10/19 17:06
推 rockmanalpha: 我意思是從<body></body>裡面擷取 10/19 17:08
→ rockmanalpha: 而如果在meta裡面抓 用正則來處理比較好 10/19 17:10
推 kuoll: substr截取前兩個字 如果==作詞or作曲or編曲 那一項就不 10/19 23:18
→ kuoll: 要echo就好了 至於/的問題 你先把" / "取代成"/" 再把空 10/19 23:18
→ kuoll: 格換成<br>會不會比較容易一點？ 10/19 23:19
→ poeta: 對對，一時沒想到，謝謝兩位。 10/20 02:56
推 Peruheru: 作詞 作曲 編曲 原作 翻唱 客串 10/20 09:30
→ Peruheru: 如果有歌詞真的是"編曲"開頭就掛了，建議用編曲： 10/20 09:31