我的天

1

[\w-\s]*[^(,|&|vs.)]

这是一条提取对阵的正则，比如说用来提取下面这堆东西里每个选手的名字。

Edge, John Cena, John Morrison, R-Truth, Randy Orton & Rey Mysterio vs. CM Punk, Dolph Ziggler, Drew McIntyre, Kane, King Sheamus & Wade Barrett

上面12个名字提是能提出来了，但名字的前/后/前后有空格，若正则无法解决，只能用一句replace来解干掉它们，至于那句replace，我没想出来。

Excel对某些单元格的查找功能应该能解决很多问题，但如果查找项不明呢？首先需要在单元格里提取查找项，然后在一堆单元格里找到查找项对应行的某个或某些数据并自动形成新表格。这样有可能实现么？高级筛选能人性化地达到这个目的么？

一直以来，我都默认Excel里的单元格是最小的单位，但如果要在把最小单位继续细分呢？有可能自动实现么？

分与合，到底怎么才是最好，怎么才是最简便，真的需要仔细琢磨。

高一的时候，我的“并或非”学得很是头痛，但现在，我却经常玩必须“并或非”的正则表达式，老天爷真会开玩笑，正所谓越怕死，越见鬼是也。

能认静下心来思考真好。

今天是个伟大的日子，今天我做了两件貌似简单但实际上都不容易的事情：一、用电子琴录制了Realeza（WWE Alberto Del Rio Theme 2010）并用WIDI生成了MIDI版本；二、努力奋战、冥思苦想2天后，我终于达到了我的目标，完成了大名鼎鼎YARK系列的P25 PHP小程序。

所以，对我来说，这是划时代的一天，心情大好！

一、音乐部分

几个月前我就已经挖出家里的古董电子琴（小学时期的产物）来折腾Realeza了。一般熟练，但我只会右手，和弦对我来说是浮云，正如听音乐我只能辨别出主旋律一样。我一直在奢望自己能学会哪怕一点点左手，但电子琴的变压器不行，大号电池的电量也快没了，我得在电子琴还有声音之前赶快完成录制。

以下是xrspook极其简陋的两个自创版Realeza，请凑合着欣赏：

Realeza（WWE Alberto Del Rio Theme 2010）电子琴版[mp3]

Realeza（WWE Alberto Del Rio Theme 2010）WIDI转化MIDI版[midi]

说明：mp3就是拿着个mic对着电子琴录制的，没啥好说，请原谅我的古董电子琴没有跟电脑对接输出的玩意，毕竟那是1998年以前的产物啊，还只是386、486时代呢。midi嘛，不是我自己写的，是用WIDI把mp3转出的，因为是毋庸置疑的“独奏”，所以捕捉到的绝大多数音都是我的意图，但有几个高音电脑识别出来时一个变2个，没搞懂原因，但错有错着，恰逢那是高潮部分，出现这些我意想不到的小变动反而让音乐更丰满。

二、PHP程序部分

从有思路到PHP完全成型，我用了2天，超过15个小时！累着并快乐着！我这个喜欢折磨自己的人……这不能算折磨，这应该说是定下目标然后努力实现，I’m proud of myself.

先说说这个YARK – P25的整体思路，昨天已经说过，也就是“用正则提取，table输出，然后直接Excel粘贴保存”。昨天傍晚说到，我被正则难住了，但昨天晚上，我却突然惊醒地想出了正解。在WWE P25层层div的网页里成功提取出我需要的排名部分。用的是这条正则，针对的是我需要提取信息的开头和结尾部分做筛选。

1

preg_match_all('/< div class="row(.|\n)*?<div class="clear">/', $data, $log);

这条规则是很有针对性的，可以把WWE P25页面我需要部分嵌套的div全部提取出来，但对其他嵌套div网页无效。这条规则的重点是“(.|\n)”意思是“除换行符以外的任意字符或者换行符”，也就是全包围了。从前提取img的时候“.*?”也就足够了，但提取div不一样，因为换行是习惯性的，之前我正是在换行这个问题上被卡住，看到某个网页的时候被这句很创意的“(.|\n)”激发，最终，琢磨出我的第一次正则。

筛选出的排名部分网页源代码包括神马呢？以下是详细说明：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

<div class="row none"> /* WWE P25页面里，一个选手的所有信息的开始，这里的class可能是row none、row fire、row ice或row （注意row后的空格）*/
	<div class="info dir-up"> /*这里的class可能是info dir-up、info dir-dn或info dir-nm，升降平，你懂的*/
		<div class="direction"></div> /*配合升降平的一个说明*/
		<div class="thisweek"></div> /*本周排位，我需要的第一个信息点*/
		<div class="lastweek"></div> /*上周排位，如果我把每周排位都收集了，某一周的上周排位对我来说当然没啥意义*/
	</div> /*info dir-up结束*/
	<div class="thumb"> /*小头像部分，这里没有我需要的信息*/
		<a href="***"></a><a href="***" class="imagecache imagecache-98x105_thumb imagecache-linked imagecache-98x105_thumb_linked"><img src="***" alt="" title=""  width="98" height="105" /></a> /*用了两层超链接，没搞懂为什么，外层没有class，内层有class，核心部分是小头像图片img，注意，有些选手是没有超链接的，比如说那些Tag Team*/
	</div> /*thumb结束*/
	<div class="thumb_none"> /*这里可能是thumb_none、thumb_ice、thumb_fire或thumb_，对应头像无特效、冰、火以及无头像状态*/
	</div> /*thumb_none结束*/
	<div class="details"> /*选手信息*/
		<h2 class="double-arrow-title"> /*二级标题开始*/
			<a href="***">***</a> /*选手名字+超链，选手名字是我需要的第二个信息点*/
		</h2> /*二级标题结束*/
		<div class="text">***</div> /*这周发生了神马事，我需要的第三个信息点*/
	</div> /*details结束*/
	<div class="clear"></div> /*纯粹的网页需要清浮处理 */
</div> /*row none结束*/

这段内容重复25次就是一个P25的完整排名信息。

第一次正则只是个开始，是把偌大一个网页的信息进行初步挖掘。其实也不能算一个网页，自从WWE 2011年头改版后，网页构成发生了巨大变化，比如说到处都有“LOAD MORE”的标志，你必须点击才能看更多内容，以P25的页面为例，我们看到的是：

http://us.wwe.com/inside/power25

但实际上，一共需要载入5个页面才能看到全部25个排名：

http://us.wwe.com/inside/power25
http://us.wwe.com/inside/power25?page=1
http://us.wwe.com/inside/power25?page=2
http://us.wwe.com/inside/power25?page=3
http://us.wwe.com/inside/power25?page=4

每个页面只有5个排名。这也就能解释为什么浏览WWE网页的速度会比从前快了，因为一次性加载的信息减少，信息加载随着浏览进程的推进而逐步增加，对于那些纯粹路过的人来说省事多了。

这5个页面的结构是一样的，对我这个需要提取信息的人来说WWE的这个“改进”完全是件坏事！一开始，我是这样提取页面信息的：

1
2
3
4
5
6
7
8
9

$data0 = get_content($_POST['url'])；
$data1 = get_content($_POST['url']).'?page=1'；
$data2 = get_content($_POST['url']).'?page=2'；
$data3 = get_content($_POST['url']).'?page=3'；
$data4 = get_content($_POST['url']).'?page=4'；
 
/*经历N步操作，N步操作的工作量都是×5，我甚至都在考虑要不要来个for语句来减轻修改数字的压力了*/
 
$data = array_merge($data0[0], $data1[0], $data2[0], $data3[0], $data4[0]);

但后来，我发现完全可以这样嘛：

1

$data = get_content($_POST['url']).get_content($_POST['url'].'?page=1').get_content($_POST['url'].'?page=2').get_content($_POST['url'].'?page=3').get_content($_POST['url'].'?page=4');

如此一来，5个页面的信息也就能一次性地聚合到一起，快、准、狠！

我好像扯远了，回到第一次正则提取的内容。我昨天的思路是对其进行XML数组化，但很遗憾，XHTML网页不是XML，当信息传入外包的XML数组化程序时失败告终。于是，我就只能靠自己继续正则了。

上文已经提到，在第一次正则后的内容里，我有3个需要提取的信息点，它们分别是：

1
2
3

<div class="thisweek"></div> /*本周排名*/
<h2 class="double-arrow-title"><a href="***">***</a></h2> /*选手名字*/
<div class="text">***</div> /*发生事件*/

一次正则后选手名字里有超链，头像里也有超链，“h2”本是选手名字的唯一标记，但由于中间多了个超链，万恶，所以，我也很万恶地一句正则把我不喜欢的东西全部干掉。

1

$log[0] = preg_replace('/< a [^>]*>|< \/a>|<img [^/>]*>|\t|\r|\n/', '', $log[0]);

1
2
3

< a [^>]*>|< \/a> /*干掉所有超链*/
<img [^/> /*干掉所有图片*/
\t|\r|\n /*干掉所有制表符、回车和换行符*/

二次正则过后，提取内容变得简洁。

必须提醒：在PHP里正则针对的都是字符串，所以，如果源数据已经是数组的话，请自行拆解。否则会报错，并且会暴露出当前运行脚本的完整路径，这可是安全性的问题啊，详见这里。

然后呢，因为一次正则我只提取到< div class="clear">显然后面仍应该有< /div>< /div>

才能让这个提取内容闭合完整。所以我加了这么一句：

1

$log[0] = str_replace('< div class="clear">', '<div class="clear"></div>< /div>', $log[0]);

到此为止，经过2次正则，1次字符串替换后，那坨东西符合我要求了，我可以进行第3、4、5次正则完成我的最终提取。

1
2
3

preg_match_all('/< div class="thisweek">([^< ]*)/', $log[0][$i], $rank[$i]);
preg_match_all('/<h2[^>]*>([^< ]*)/', $log[0][$i], $name[$i]);
preg_match_all('/< div class="text">([^< ]*)/', $log[0][$i], $text[$i]);

好吧，到此为止，整个分析、剥离过程完满结束，就只剩下按要求的规范化输出。就是把我提取到的东西table化，略。

整个过程的部分源程序如下：

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
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

function get_content($url) /*网址转化为网页内容*/
{
	$ch = curl_init();
	curl_setopt ($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;
}
 
/*数据传入开始*/
 
$_POST['url'] = str_replace("www.wwe.com", "us.wwe.com", $_POST['url']);
$data = get_content($_POST['url']).get_content($_POST['url'].'?page=1').get_content($_POST['url'].'?page=2').get_content($_POST['url'].'?page=3').get_content($_POST['url'].'?page=4');
 
/*数据传入结束*/
 
/*正则提取及替换开始*/
 
$data = str_replace("&", '&', $data);
preg_match_all('/<div class="row(.|\n)*?<div class="clear">/', $data, $log);
$log[0] = preg_replace('/< a [^>]*>|< \/a>|<img [^/>]*>|\t|\r|\n/', '', $log[0]);
$log[0] = str_replace('< div class="clear">', '<div class="clear"></div></div>', $log[0]);
 
for($i=0;$i < count($log[0]);$i++)
{
	preg_match_all('/<div class="thisweek">([^< ]*)/', $log[0][$i], $rank[$i]);
	preg_match_all('/<h2[^>]*>([^< ]*)/', $log[0][$i], $name[$i]);
	preg_match_all('/<div class="text">([^< ]*)/', $log[0][$i], $text[$i]);
}
 
/*正则提取及替换结束*/
 
/*table格式化开始*/
 
echo '< table>< col>';
for($i=0;$i < count($log[0]);$i++)
{
	echo '<tr>';
	echo '<td>'.$rank[$i][1][0].'</td>';
	echo '<td>'.$name[$i][1][0].'</td>';
	echo '<td>'.$text[$i][1][0].'</td>';
	echo '';
}
echo '';
 
/*table格式化结束*/

截图是必须的

这就是YARK – P25的威力！你或许会问，就那么一大坨东西有神马用呢？呵呵，真正用法需要把它们贴到Excel。

关于复制那一大坨信息的Excel粘贴也有讲究。

首先，打开Excel，然后选择“编辑 – 选择性粘贴”，然后在“方式”里选择“文本”，按“确定”。最后简单调节表格列距以及单元格格式后，你就能得到如下图的效果：

你一定会问，为神马要如此折腾“粘贴”而不用“Ctrl+V”？呵呵，这和我的用途有关，你完全可以在“选择性粘贴”里用默认的“HTML”方式，结果跟直接用“Ctrl+V”一样，所有粘贴数据都全部挤在1个单元格里，这显然不符合我的设想，如果最后得出这样一个结果的话，我之前所做的事情都白费了。

为什么一定要以现在这个各信息分离的Excel形式呈现呢？因为，我做这么多事情的目的就是能更快更直接地提取我需要的信息，做P25的每周统计。

统计！统计是我的目的！！！！

还记得2天前我做的“ADR前46周的WWE P25”？那可花费了我半天的时间打开一个个网页，一段段信息复制粘贴并最终形成图表。如果，我要对WWE所有选手都这般干的话简直是天方夜谭，但我的确想获取那些信息，知道那个趋势，该怎么办呢？所以我有了弄YARK – P25的念头，并付诸行动，最终华丽地成功了！

YARK – P25在此！聪明的你肯定知道怎么用的。

往后，随着icon化的日益加剧，我真的可能不再看WWE的摔角而转投其他联盟，但我会记住WWE的，不单是因为他们把我引入摔角门，更重要的是为了提取信息，我从他们的网页我自学到了很多，他们的网页严谨规范，虽然可能不是最好的，但我已经从中领会到很多，难道这还不够么？！

哇咔咔，今天的blog很技术，有心人，你们会懂的。

上午全体员工统一去看人大金正昆关于礼仪的DVD，郁闷透顶。显然，我不喜欢他的语调，不喜欢他说话的方式，更对他吹水的内容表示强烈不满。我承认，细节是需要注意的，但细节不等于就是全部。说话是门艺术，我从来没在这门学科里拿过高分，重点的是，我不想放心思在这门学科上。一方面，金老头说“不要拿别人折磨自己”，但他在生活和工作中的吹毛求疵就经常性习惯性打自己嘴巴。无所谓大度，那老头经常为这样那样小事不满意、发脾气，对他来说，礼仪问题上根本不能有宽容。太恶心了！要做完人，你自己可以自己完去，如果你奢望其他人都跟你一样完的话，那么你将会死在你自己的愤怒中，被别人气死，被自己气死。

今天略施小计，在已经完成的表单上套打上几个字，很简单的啊，只要掌握好页边距。在Excel里，没有内容是无法打印的，但加上几个空格就万事大吉了，几个空格就算有了内容，哈！可爱的Excel。

今天的事情本该是上午完成的，但就因为那个该死的金叫兽，不得不把东西拖到下午，结果，一天完蛋了，统计的书一页没看，很罪过。

今天被正式告知领导月底将去阿联酋，OH YEAH~~~ 天大的爽事啊，爽得云里雾里！话说是因为阿联酋那边要建粮库，中国的设计、中国的建设，现在要运行了，也要中国的砖家先去打头阵。阿联酋的石油比水多，所以如此一个技术支持项目，他们肯出100万（不是美金，如果是美金我会立马乐晕的）。WOWOWO～～～ 我们被大大的馅饼砸中了，手舞足蹈ing……

话说，我卓越的东西应该到家了吧。

不知不觉间，X也有了追随者，有了仰慕X的粉，感觉挺怪，因为我没想过要当Superstar，或者说我有做过这样的白日梦，但那纯粹是儿时的幻想。随着年龄的增大，我更倾向于干实际的事。做事是这样，做人是这样，连看电视也这样。但原来“一切从实际出发”也会引来追随者，不过，需要更长的时间，X观后感在19977 debut至今已经159天，近半年了。没有华丽的debut，没有特意拉什么高级人士来撑场，我只是每周都独舞而已。

要对得住自己喜欢的东西，喜欢不是挂在嘴上的，技术与否不是靠吹水来体现。

实际行动比什么都有说服力。

今天很变态地把2011年至今的所有进出数据录入了新Excel表格，实际上呢，是从昨天开始奋起录入的，因为发现这种更“数据”的记录方式因为简便所以能有效地防止出错。这几天才想通了这个数据处理方法，原来我前两年一直很努力做的是人为地把数据图像化，而现在，我则是让数据回归为数据，让软件去生成直观的东西（各种汇总和图表）。生活本该是简单轻松的，把麻烦事交给软件去。随着对自身业务的进一步了解和对软件认识的逐步加深，应该能继续地化繁为简下去的。改进是个持续的过程，这需要你用心，思考不是一时半刻的事情，而是应该不曾停止。但有些时候，我拒绝为某些事思考。

今天下午，不知哪里传来不断的音乐声，巨囧～～～ 开始以为是我们单位自己在试音，但后来感觉可能不是，是赤湾那边不知搞什么鬼飘过来了，真万恶。赤湾的繁盛让我们这边人气增了不少，但同时带来了络绎不绝的车流以及灰尘漫天飞的环境，囧。

星期三了，又星期三了，这周又过了一半鸟。

在纠结如何通过高级筛选实现筛选名字、合并数据并排序的功能，未果。

乱翻Excel之际发现有个功能叫做“数据透视表及数据透视图”的功能，强大，异常强大。虽然搞不懂是怎么回事，但乱拉乱按却实现了我要的功能，嘿嘿嘿。那些想想都觉得麻烦的东西不费吹灰之力就能实现，伟大，实在是伟大。

内流满面，下图是2011年第1-15周WWE、TNA在周赛和PPV比赛总时长的前10位

第一名，Rey Mysterio，果然是勤奋的小吉娃娃。
第二名，Edge，呜呜呜～～～但Edge的时间不会再延长了……
第三名，Alberto Del Rio，我知道他很勤奋，但没想到勤奋到这个地步。
第四名，Randy Orton，和第三名的成绩无限接近。
第五名，这10人里唯一一个TNA的人，Mr. Anderson。

不知道你有没有发现，这151人的前10名里，只有3个heel——Alberto Del Rio，The Miz以及Wade Barrett。face就比heel多摔角么？难道heel的时间都用去夸夸其谈或袭击别人了？郁闷为啥没有CM Punk，原来他老人家排名第11。这个10个人里，一线全了，好打或有机会的二线也全了。我也诧异过为啥没有Dolph Ziggler？DZ因为剧情的关系曾被Smackdown解雇，2周后出现在Raw，否则，DZ出现在前10是绝对没有悬念的。这前10里，Smackdown和Raw平分秋色（都是4.5个，因为Wade Barrett中途转会Smackdown），但排名先后差异不小，比如说，前三都是SD的人，后三基本是Raw的人。

统计本该这样，数据收集应该是不费力的，因为最重要的是后面的分析讨论。如果连加个时间都加得半死，那还有什么意思呢。

数据透视表是个非常强大的东西，用好的话威力无穷，可以跟复杂的筛选说再见了，哇咔咔～～～