我的天

迷上了正则，不断尝试着新花招，首先感谢TNA的非完全输出RSS，然后再次感谢SH的强迫性学习。没有TNA，我不会去看正则，更不知道世界上有种这么牛的表达式；不是SH的死活说他不懂不知道，我也不会硬着头皮去琢磨，去改进。达到同一个目的，正则的表达方式可以不唯一，没有做不到，只有你没想到。可以这样说吧，正则就是玩设定规律，我大爱这种东西。没有比设定规律筛选东西更让我兴奋、感到awesome的了。

分享一下在php环境下使用正则提取图片地址的一些小心得：

图片网址规范的html代码无非就是

<img style="囧1" title="囧2" src="囧3" alt="囧4" width="囧5" height="囧6" />

囧1和囧2是非必需的，若要通过XHTML认证囧4、囧5、囧6必不可少，囧3是核心内容，当然就不能少了。

就正则谈正则的话，我写出的最短匹配是

(?<=img.+?src=”).*?(?=”)

不过，这条在php里不行，会出现：

Warning: preg_match_all() [function.preg-match-all]: Compilation failed: lookbehind assertion is not fixed length at offset *** in ***

纠结了很久，都不行，原因何在呢？试了很多次，终于发现问题在(?<=img.+?src=”)这个零宽断言里，在php中，零宽断言里不支持类似“*”、“+”这些无限次的东西，于是报错了，把“.+?”改为定长就好。不过，要“img”和“src=”之间定长基本上是不可能的。通常，图片地址的img和src只会相隔一个很简单的空格，但不排除某些情况在src之前，img后有alt、titlte等东西。

所以

(?<=img.src=”).*?(?=”)

或

(?<=img\ssrc=”).*?(?=”)

可能可以，但不保证100%没问题。

你也许会问，单纯

(?<=src=”).*?(?=”)

不行吗？通常情况，可以，但，搜索过页面的盆友应该知道，除了图片地址用src开头以外，javascript地址也用src开头！而且，太多神通广大的不可预知因素隐含其中，于是这个貌似很简短完美的写法就行不通了。

你又或许会问，聪明简短的不行，我把图片的后缀列出来，总该可以了吧，如

(?<=src=”).*?\.(jpg|jpeg|gif|png|bmp|JPG|JPEG|GIF|PNG|BMP)

的确，这个写法实在是很老实，不过，你见过没有后缀的图片？wwe.com有很多这种例子呢

RAW http://us.wwe.com/content/media/images/Headers/15559182
SmackDown http://us.wwe.com/content/media/images/Headers/15854138
NXT http://us.wwe.com/content/media/images/Headers/15929136
Superstars http://us.wwe.com/content/media/images/Headers/15815850

上面的网址都是图片，但都没有传统后缀，你老实也没用，还是不能获取到它们。

怎么办呢？还可以这样

<img(.*?)src=”(.*?)(?=”)

和上面的表达式不同，这次的结果中array[0]的内容不是我们想要的，我们要的图片地址在array[2]里。为什么呢？因为我们用了2个(.*?)，每个“（）”的东西会自动存在一个组里，而array[0]代表结果的汇总，array[1]包含了img和src里的所有东西，array[2]才轮到我们想要的图片地址。这种匹配方法，既能匹配有传统后缀的图片，也能匹配一些无后缀的图片文件，同时又不会杀错其它src=文件。个人感觉还是不错的，呵呵。当然了，如果你还有更好的建议，请马上留言，全球人民都会感谢你！

你到底要什么样的图片，是固定格式还是其它？得具体情况具体分析呢。

我的建议是：

如果你要的图片地址的格式是img空格src=的，请使用：(?<=img.src=”).*?(?=”)，数组唯一，你懂的。

否则，请使用<img(.*?)src=”(.*?)(?=”)，记得留意有用内容所在的数组位置哦！

花费了好几个小时学习正则表达式（Regular Expression），简称regex。非常非常强大的一个程序员利器，在此，再次感谢SH童鞋的强迫性学习。在多种程序语言里正则都通用，用简单的符号却能组合出任何你需要的结果。看着那堆“\/#$&*^()_+|{}<>?=.”等实在会把人弄疯掉，再加上26个英文字母的大小写组合，宇宙就能编出来！这让我想起了大学时期老师教的文献检索，在说到英文数据库的时候就是这般*来?去的，但和相比，英文数据库的搜索方法只是个非常非常的简化版的正则，小儿科而已。

简单看了几个正则教程，最终觉得还是要自己打开个正则测试工具（如Windows下的Regex Tester）实操。

经过还不算太辛苦的挣扎，对TNA而言，我要提取的信息可以用以下正则实现：

(?<=href=”).*\.jpg.php

说明：“(?<=囧)”，定位在囧后；“href=””，一个字符串，也就相当于囧；“.*”，别以为“.”是连接符“*”是任意字符，恰恰相反，“.”代表除换行符以外的任意字符，“*”代表前面的东西，也就是除换行符以外的任意字符可以重复零次或更多次；“\.”，其实就代表了“.”，在正则里，“.”必须用“\”转义；“jpg.php”我的原意是一个字符串，但在正则里，看来“.”也不会被看作“.”，而代表一个除换行符以外的任意字符，也无伤大雅，毕竟我希望的“.”也在正则“.”包含的范围内。

除了用上面的“(?<=href=”).*\.jpg.php”以外，还能把正则改写为：

(?<=href=”).*\.jpg\.php /*把“.”全部正确转义，不打擦边球*/
(?<=href=”).*\b.jpg.php\b /*把“.jpg.php”看作一个单词，很自然地把其中的“.”一般字符化了，“\b”用于匹配单词的开始或结束*/

具体在YARK的正则是这般写的

preg_match_all('/(?< =href=").*\.jpg.php/', $data, $log);
囧囧囧囧
for($i=0;$i<count($log[0]);$i++) 
{  	
	<?php echo '囧'.$log[0][$i].'囧' ?>			
}

说明：由于我的正则表达式里只有一个未知数，也就是“.*”折腾出来的内容，所以，正则结果在新建的$log将是一个二维数组，具体内容将在[0][囧]里显示。如果，正则里有多个未知数，未知数就会分别出现在[0][囧0]、[1][囧1]、[2][囧2]等等里面了。得打一套“组合拳”才能把它们拼凑在一起。

正则搞定了，YARK的TNA瓶颈当然就没问题了啦！

******************* YARK专栏 *******************
2010-11-19
update
* 改进TNA功能，不再依赖页面提供的rss而是自编正则表达式，提取页面信息，再分析出图片地址
bug
* 暂无新发现
plan
* 留个门，对付任何规则资源（正则是强大的，就看你怎么用了）
******************* YARK专栏 *******************

自觉通过自学又提升一个矮矮的层次了。

昨天19977里有人提出图片区可否增加TNA的官图，其实如果TNA不是BT的话，贴与不贴只是个习惯的问题，但是TNA的图片很BT，右键还不能保存的那种。

首先Photo Galleries使用的是近似框架形式的大概js手段，按链接是看不到网址改变的，不过，我的癖好是“在新标签页中打开”，打开后，网址又见变化了。这是第一个手段，算是很一般。

然后，重头戏，TNA的图片全部采用.php保护，所有图片的格式都被强制变成了***.jpg.php，Firefox下右键还不能保存到图片，保护严密。还记得之前2次PPV都把我害得几近手抽筋。

TNA的图片页面很是邪恶，但它给出了订阅按钮，也就是说页面是标准rss化的。rss意味着什么？rss就意味着XML，而且它的rss还是全部输出的类型，一页的rss就能输出整个系列的全部内容。刚刚熟悉了XML的格式化和信息提取，再次让我碰上新朋友，无比的兴奋。经过不太折腾的尝试后，也居然把从前的大敌TNA的图片给扯下马来了。内牛满面。

再次炫耀一下（WWE + TNA）：http://xyark.serw5.com/

今天发现20101115RAW的某些页面居然无法输出，研究了一个晚上，SH最后终于得出结论！title信息里有个“&”，格式化XML时受阻，因为“&”这东西太敏感了，是不允许当作“and”的意思出现的，所以会出现输出中断。解决办法如下：

/*$data = str_replace(“\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\t\r\n\r\n\r\n\t\r\n\r\n\r\n\t\r\n\r\n\r\n\r\n< ?xml version=\”1.0\” encoding=\”UTF-8\”?>”, “< ?xml version=\”1.0\” encoding=\”UTF-8\”?>”, $data); 注：第一个版本的YARK是不是很笨，呵呵呵*/
$data = str_replace(“\r\n”, “”, $data);
$data = str_replace(“\t”, “”, $data);
$data = str_replace(“&”, “&amp;”, $data);
// $data = str_replace(“&”, “囧”, $data); 注：对付“&”的一个“好”方法，先囧来
$data = XML_unserialize($data);
// $data = str_replace(“囧”, “&”, $data); 注：对付“&”的一个“好”方法，再囧去

感觉自己处于见人杀人，见鬼抓鬼的状态。这就是激情了，不过正因为这些变态的激情，让我神经病了。昨晚凌晨1点多才上床睡觉，还兴奋得睡不着。今天，也已经不早了，我还在写。

Pasion make me crazy, good or not?

终于在SH的提醒和帮助下，在已经注册的几个国外免费空间里正常运行起YOU ALREADY KNOW THAT，我见简称YARK，按照首字母缩写应该是YAKT的，但误打误撞，变成YARK了，呵呵，YARK太短，所以注册的二级域名前加了我的戳“X”。正如YARK里的《h1》内容所标示：如果你是我的同伙，你会知道那空荡荡的网页是什么，怎么用；如果你想在这篇日志里直接找到答案，很对不起，在不跳转继续阅读某些链接的前提下，不可能。又或许，你真的很想知道，email我吧。至于我的联系方式，细心的你肯定already know that。

闪亮亮地放出一个YARK的地址：http://xyark.serw5.com/

很高兴地告诉大家，今天的YARK又实现了一个新的功能——直接把页面的title也输出了（并非各自的小title）！哇咔咔，如此一来，可以利用从RSS读到的地址完成某事，再也不用手动敲打某些代码了！

想变得懒惰欲望让我变得勤快。先花费一些时间制定规则，之后就可以拯救一些人的很多时间了。这就是程序的力量！！！！什么规范化管理，什么质量管理，如果你是个程序员，那些道理you already know that了。

说回YARK昨天没成功下海，原因是我完全是个PHP小白，所以碰得一头灰。通常，服务器基于安全考虑PHP的allow_url_fopen选项默认是OFF状态，免费空间通常都只会是OFF。而在PHP中需要使用file()[又或者file_get_contents()]函数获取其它站点的数据时，中招了，OFF状态就会出现一个“Warning: file() [function.file]: URL file-access is disabled in the server configuration in ***”的错误。幸好，我们还有第二招，cURL。在PHP程序里加入一段curl就能解决问题，但，这也是有前提是，curl是PHP的一个扩展库，所以，你的PHP系统的这个扩展功能必须处于enable状态，有些免费空间里curl是处于禁止状态的，那囧啊，不过确实存在，远在天边近在眼前的例子就是默认状态下的XAMPP。

也不管行不行了，把curl代码加进去试试再说，代码引用如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

< ?php
/*
* @return string
* @param string $url
* @desc Return string content from a remote file
* @author Luiz Miguel Axcar ([email protected])
*/
 
function get_content($url)
{
	$ch = curl_init();
	curl_setopt ($ch, CURLOPT_URL, $url);
	curl_setopt ($ch, CURLOPT_HEADER, 0);
	ob_start();
	curl_exec ($ch);
	curl_close ($ch);
	$string = ob_get_contents();
	ob_end_clean();
	return $string;
}
 
#usage:
$content = get_content ("http://www.php.net");
var_dump ($content);
?>

实际应用时把http://example.com代替http://www.php.net作为数据输入，然后网址会经过function get_content($url)处理，进去的是一个网址，出来的是一个对网址所代表的网页信息进行处理后的字符串，也就是说，$content是一个包含所有网页信息的字符串，你喜欢怎么折腾就怎么折腾好了。至于那句“var_dump ($content);”是把$content的内容输出打印出来，你或许不会用到。不知为什么可以这么神奇，但就是这么神奇。PHP默认设置下不能实现的功能通过cURL就能实现，但实际上，最终效果是一样的。

再次感谢SH童鞋，也感谢那位写cURL挽救世人的巴西童鞋，是广大程序员让我感觉我是站在巨人肩膀上的。

也愿YARK能在它的用途上发光发亮。

花了一个早上注册了接近10个国外支持PHP的免费空间，无一例外，都不支持我的小转换程序，泪流满面啊～～～～ 基本上都是不允许file access，巨囧。不就是借php处理一下文件而已嘛，导入XML输出XHTML，仅此而已。不是大奸大恶，却落得如此下场。有些空间是不支持的，有些空间是不知道该怎么用的，么法语、俄语、匈牙利语，按G翻译都按到手软，到头来还是不知从哪里下手。不得不说，郁闷到极点的时候，我怀念我的英语和西语啊～～～ 西语从来都没有让我如此彷徨过。

完全不知道该怎么办了，难道要把程序一直挂在我自己的地方？其实呢，也无伤大雅，因为从页面和页面源代码你啥都看不出来。因为核心php部分都经浏览器处理了。机密，也不能算机密啦，不可能漏出来。光看这个网页，没人能看出这是干嘛的，除非你是高手，你故意探我的php，但如果你是高手，自己就写php了，根本不用来探我。

真没想到，想找个支持的免费空间也这么难。

Warning: file() [function.file]: URL file-access is disabled in the server configuration in /***/index.php on line 20

这句话让我揪心不已。

初出茅庐的小php只好到窝在家里坐井观天了。