PHP和字符集，正則表達式，以及最近做出來的程序

上次說到做關於選課網的軟件。現在說幹就幹了～

 

大概思路說是：

通過某特定頁面獲取返回信息，然後再從HTML文本里截取東西。

看似很簡單的東西，做起來可不容易。

 

 

首先CURL搞得不錯（多虧當年用了幾天搞出來的新PHP），得到頁面很隨意。

之後是去HTML標記和各種空格，函數如下：

string strip_tags(string $htmlpage);  //去HTML標記，還可以加參數，要求保留某些標記

string preg_replace("//s/","",$str);    //去除str中一切空白字符，什麼tab，什麼空格，什麼換行。。這樣的好處就是把所有文字都邊成一片了。。。。

 

之後是內容的摘取。

原來也想用正則表達式來着，perl兼容的正則表達式似乎很高效也很NB，而ereg比較弱，也稍微簡單點。

     但是蛋疼的是，PHP中如果要正則中文，就要用16進制編碼來找它們。。。於是用了一晚上探究其中原因

     事實上PHP什麼的雖然都可以顯示中文頁面，但它的字符處理都是按單字節字符處理的…然而GB2312或者GBK中，漢字都是雙字節表示，於是你要想處理漢字，必須將漢字想象成2個BT的單字符組成的東西…而在UTF-8中，因爲支持的字符更多，它用三個字節表示字符…於是換算變得更加複雜。。。。

     正當我想放棄的時候，mb_打頭的函數給我了線希望──它幫我搞定了所有寬字符的問題，只要記得UTF8中的中文是3個字節就OK了。但是perg不支持這種東西，只有mb_ereg系列。。。。在我試驗N次蛋疼無數之後，決定不用正則了。。自己寫字符串操作吧！

大概用到了以下幾個函數：

int mb_strpos($str,$find[,$start]); //返回str中匹配find的位置 string mb_substr($str,$start,$lenth); //上面是字符串的截取

 

需要注意的是，所有數字的表示，都認爲漢字是3個字符(UTF8下)，所以如果要截3個漢字，應該讓$lenth=9纔可以。

 

然後用FOR循環讀取N多網頁，感覺速度還是很快的，30秒能顯示1000多條。。。設計得當的話，估計還是可以用起來的。

 

值得一提的是，PHP裏的數組太給力了！它的標號可以是有意義的名字，類似c中的結構體一樣了。。。

比如：

$classinfo=array( "name"=>$name, //教師姓名 "teaID"=>GetID($str), //教師工號 "maxStu"=>GetMaxStu($str), //課程最大人數 "nowStu"=>GetNowStu($str), //課程已選人數 "classname"=>GetClassName($str), //課程名稱 "classID"=>$classID, //課號，如010-(2010-2011-1)EI203 "remark"=>GetRemark($str), //備註 "year"=>$year, //學年，如2010-2011 "semester"=>$semester ); //學期，1或2

 

 

下一步計劃：從csv文件中讀取一學期的所有課程到數據庫，裏面有寶貴的上課時間，之後通過課程ID來與網上的數據聯繫。

至少要建立2個表了。。。從現在的情況來看。。。。

但是最鬱悶的是在發送網頁請求的時候，需要使用bsid=xxxxxxxx，是一個6位的數字，這個實在是沒規律，只能窮舉了…

除非。。。找到網絡中心。。。。。算了。。。

 

希望日後能順利一些！