php正则

  先说点题外话。自从给电脑安装了Opera 10.0.1750.0 任务栏就开始莫名其妙的时不时就完全卡死，任务管理器也打不开。因为总是在Opera开启一段时间后出现死机的状况，还以为是Opera有内存泄漏。直到今天早上发现开GaussianView也卡死了，才猜想是中了蠕虫一类病毒。虽然，用Chrome仍然不会卡死（那好吧，在Opera给我留下这样的第一印象的情况下，我只好让它失去不久前才给它分配的“默认浏览器”的权利了）。

全盘杀毒

出现了一堆病毒。难道是Opera的安装程序带毒？但是用Rising单杀Opera的相关文件夹，没有发现病毒。（我是很喜欢Opera的，最钟爱的就是它的鼠标手势。当然，Chrome及时响应的界面风格（响应鼠标移动，任何动作都会引起界面的变化，而且，鼠标拿开后，效果是渐渐消失的。可以把它定义成“瞬入淡出”效果吧，与“淡入淡出”让人感觉系统变慢完全是两种不同的感觉）是最吸引我的（用惯了Chrome，刚改用Opera，老是把鼠标放在文本上，然后就无限纳闷地看着指针——为什么还没变成工字型？还有就是Opera的上下文菜单项没有相应按键。对于我这种经常在桌面上点击右键紧接着按R的习惯来说，简直就是一大恶梦——右键了居然还要用鼠标选菜单项，这样长久下去，左手不就萎缩了……

 

杀毒完了，发现有uizvr.sys文件在C:\WINDOWS\System32\下，提示删除失败。而网上又搜索不到。真不知道是什么，各位读者若有知道的，不妨告诉我一下。在下非常感谢！

 

发现杀了好几个Rootkit病毒，但是网上没有相关的症状说明，所以我还是不确信是不是这个病毒导致了Opera变慢。总之，杀毒完了再打开Opera，内存占用从先前的100~400MB减小到了50~200MB，感觉还行，那就恢复Opera的试用期吧，要是你再敢……

 

  废话少说，看看php的正则表达式吧。

这是获取目标网页上所有链接地址的php代码：

<?php
	$url="http://www.163.com";
	$html=file_get_contents($url,"r");
	preg_match_all ("/(<a)([^>]*)(href=)([^>]*)(>)([^<]*)(<)([^>]*)(>)/", $html, $matches);
	for ($i=0;$i<count($matches[0]);$i++)
	{
		echo "|||".$matches[2][$i]."||".$matches[3][$i].$matches[4][$i]."||".$matches[6][$i]."||".$matches[8][$i]."<br>";
	}
?>

看看里面的/(<a)([^>]*)(href=)([^>]*)(>)([^<]*)(<)([^>]*)(>)/吧。

我们知道，链接的形式是这样的：

<a href="location">text</a>当然，这是最简单的文本链接。

复杂一点的，比如链接里包含图片的，有style信息的，无非是这样的结构：

<a*****href="location"*****>****</a>

正则表达式就该这样写了：（每个部分用小括号括起来）

1.起始是亘古不变的<a

2.接下来是不包括">"在内的任意字符，当然不会有"<"出现。[^>]代表任意一个不是">"的字符，.代表任意字符，*表示重复前面的字符0~任意有限次。

我们知道，<a后面跟任意个非">"字符后，必定遇到href=来定义它的链接地址。要是用这样的正则：

/(<a) (.*)(>)(href=)/

会出现什么情况呢？

这时，preg_match()会往后搜索，直到行尾前的最后一个">"，中间所有的">"都被忽略了。这时，再搜索href=就跑到第二个链接里去了，所以不能用，这一个：

/(<a)([^>]*)(href=) /

[^>]*限制重复的内容不能是">"所以，遇到">"就不会往下搜索下去，从而停留在第一次匹配(href=)的地方。这样看来，

/(<a)(.*)(href=)/也是不可行的，试试看：

 

<?php
	$url="http://www.163.com";
	$html=file_get_contents($url,"r");
	preg_match_all ("/(<a)(.*)(href=)([^>]*)(>)([^<]*)(<)([^>]*)(>)/", $html, $matches);
	for ($i=0;$i<count($matches[0]);$i++)
	{
		echo "|||".$matches[2][$i]."||".$matches[3][$i].$matches[4][$i]."||".$matches[6][$i]."||".$matches[8][$i]."<br>";
	}
?>

 

 刷新页面，Chrome审查元素，发现有这样的文本：

||| href="http://reg.163.com/reg0.shtml">注册通行证</a> |<a || 这表明分段失败了：

因为要求输出的第2、3、4、6、8个括号里都没有写明要输出<或>，同时，|||和||中间的内容属于第二个括号(.*)的。

后面的第三个括号：

3.固定的href=

4.把第一个 ">"之前的内容放在这里[^>]*

5.第一个>

6.把接下来第一个"<"之前的内容放在这里[^<]*

7.<

8.">"之前的内容[^>]*

9.>

 

这样的话，一个基本可用的正则表达式就诞生了。

其实，可以把最后一个括号改成(/a>) 这样的话， 就能保证每次搜索结束时，总是到达链接的结尾处。用原来的(>)在遇到这样的状况时：

<a href="location"><img src="image"></a>

会在img src="image"后面停止，第8段成为 img src="image"而非/a

 

好了，正则表达式的用法已经基本会了，接下来就该编出我想要的效果了。首先要弄清楚ikariam页面的结构。

Chrome把世界地图的index.php下载到本机，经一番研究，发现有这样的数据（太多了，节选）：

var map = new Map(44, 33);
map.handleMapData('{"request":{"x_min":30,"x_max"://……

 

 真是天助我也。这个肯定就是worldmap的数据了。

仔细研究一下：

先在map上找一个岛，点上去，出现它的名字Lootios，在haddleMapData里查找，有这样的一段：

 

"45":{"46":["70","Lootios","1","3","7","7","6","16"],

 回头一看，该岛的坐标正好是[45:46]。后面的数据又是什么意思呢？先看到岛上有16个城，估计……

找到它旁边的Shaymios，有11城，查找到相应的数据：

 

"47":["74","Shaymios","3","4","7","10","7","11"],

 

  好样的。把我要用的数据粘在这里，就不解释了：

 

"46":["73","Depuios","4","1","7","4","6","16"],

 

"44":{"45":["72","Zhexios","3","7","7","3","6","10"],

 

"43":["163","Chadoios","1","3","14","8","7","16"],

 

"45":["71","Phiyios","2","5","7","4","8","16"],

 同样的方法发现：

 

（1）倒数第二个数字表示木头矿等级。

（2）名字后面的第一个数字是资源种类（1-Wine，2-Marble，3-Crystal，4-Sulfur）。

（3）名字后面的第二个数字是奇迹种类（1- Hephaistos` Forge，2- Hades` Holy Grove，3- Demeter`s gardens，    4- Temple of Athene，5- Temple of Hermes，6- Ares` Stronghold，7- Temple of Poseidon，8- Colossus）。

 

 

暂时就知道这些。更多的嘛，也有很重要的，但毕竟有替代方法，先放着不管了。

 

 

（今天早上登陆javaeye，发现和昨天一样也是登不进去，看来javaeye可能是每天早上例行维护了吧。这个也不关我事。

倒是今天下午我终于弄明白任务栏是为什么要卡死了。

因为每次卡死之后，除了任务栏之外，别的地方都工作正常，所以我把任务管理器置前，Opera打开，关掉屏幕。等吃完饭，打开屏幕，任务栏果然又卡死了。屏幕上提示svchost出错。于是，用任务管理器结束掉占内存最大的svchost，任务栏又活了。原来不是Opera的错，是svchost中毒了。那好吧，杀毒杀不掉，我以后就开着任务管理器工作，一旦看到svchost冒到顶上，就杀掉。）

 

如上文，只要能在我的服务器端拿到这个数组，就能解决所有问题了。但是，它是javascript，不知道能不能用fopen()读到。

好，这个script是写在发送给我的HTML文档里的，那我先试试能不能抓取script。用QQ空间最好了，因为它上面满是javascript。

在QQ空间的文档里搜索script，终于在最后发现了一段内嵌的script。就用它了。

 

首先，需要解决登录的问题，感觉无从下手。当然，从QQ面板上访问时，会给一个跳转地址，先试试它：

…………

真傻，明明就是跳转地址，拿来有何用。

试试http://user.qzone.qq.com/【号码 】吧

 ……怎么还是跳转了……不管了，先试试能不能取得数据：

<?php
	$url="http://user.qzone.qq.com/419560202";
	$html=file_get_contents($url,"r");
	preg_match_all ("/(<a)(.*)(href=)([^>]*)(>)([^<]*)(<)([^>]*)(>)/", $html, $matches);
	for ($i=0;$i<count($matches[0]);$i++)
	{
		echo "|||".$matches[2][$i]."||".$matches[3][$i].$matches[4][$i]."||".$matches[6][$i]."||".$matches[8][$i]."<br>";
	}
?>

 页面一片空白。

 

换个网站吧，ikariam是没有跳转的，跳转问题以后再说。

啊哈！竟然在javaeye的首页上发现了内嵌的javascript，那就对不起了！

 

写正则。

<script type="text/javascript">……</script>

1:(<script)

2:([^>]*)      //可以判断 script的种类

3:(>)

4:([^<]*)      //script内容

5:(</script>)  //当然，/得用转义字符\/

 正则就是：/(<script)([^>]*)(>)([^<]*)(<\/script>)/

<?php
	$url="http://www.iteye.com";
	$html=file_get_contents($url,"r");
	preg_match_all ("/(<script)([^>]*)(>)([^<]*)(<\/script>)/", $html, $matches);
	for ($i=0;$i<count($matches[0]);$i++)
	{
		echo "|||".$matches[2][$i]."||".$matches[4][$i]."<br>";
	}
?>

 

OK，刷新，页面显示：

 

||| type="text/javascript"|| var marqueeing = true; function marquee(){ if(marqueeing) { var container=document.getElementById("advert_a9").getElementsByTagName("ul")[0] container.appendChild(container.firstChild); } } setInterval("marquee()", 2000);

 

这不？就拿到了页面内嵌的js代码。

 

如果不是内嵌的呢？试一个，Chemspider网页里有这么一句：

<script type="text/javascript" language="javascript" src="/script.js"></script>

那我试试这个网址：

http://www.chemspider.com/script.js

……悲剧啊：failed to open stream: HTTP request failed!

看来，获取在另外的文件中的js，还得想个别的方法。试试fsockopen()：

unable to connect to http://www.chemspider.com/script.js:80 (Unable to find the socket transport "http"

它还说：

did you forget to enable it when you configured PHP?

（看来，我可以用我的本机测试了。）

 

接下来，就该研究怎么样从服务器登陆QQ空间了，只有这样，我才能登陆ikariam，从而获得它的数据。

 

3天，终于又告一段落了。