作者poeta (键盘诗人)
看板PHP
标题[请益] 撷取网页内容时，想把不要的内容排除
时间Mon Oct 19 16:52:13 2015
我现在要做一个事情，是分析歌词里常出现的词句。
当然首先就要先收集大量的歌词，我就去常见的歌词网来
找，他们的歌词都有写在网页的meta里，像这样
<meta name="description" content="八卦 黄安作曲 八卦八卦我牵挂" />
所以很容易用 get_meta_tags就可以截取出来，我撷取出
来以後，先把每一句歌词後面的空白变成<br>，然後每遇
到一个<br>，就把它放入阵列里面。这样echo阵列，就会
印出每一句歌词。
但是印出阵列时，我发现除了歌词之外，还会撷取到
词曲作者的资讯，这不是我需要的，大概会变成这样：
作词：黄安<br>
演场：白安<br>
/<br>
李庆安<br>
导演：李安<br>
八卦八卦我牵挂<br>
找不到你爸爸<br>
找不到你妈妈<br>
找不到你全家<br>
我目前遇到的两个问题是，有两个演唱人时，原本他是用
/ 和空白区隔，都被我的<br>处理到了。另一个问题就是
上面提到的，作曲人资讯我完全不需要，有什麽办法可以
把那些资讯剃除掉呢？
目前想到的方法是，把导演、作词、作曲等等所有的
资讯都收集起来，做一个判断式，遇到了就不输出。可是
这就面临前一段指出的，双演唱人误判的问题。而不先处
理空白变成<br>，把歌词分段输入阵列，就不能做判断，
所以就卡关了。
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 36.232.160.76
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/PHP/M.1445244735.A.3C0.html
※ 编辑: poeta (36.232.160.76), 10/19/2015 16:52:45
1F：推 rockmanalpha: 直接撷取网页中的会不会比较好 因为显示在网页的 10/19 17:06
2F：→ rockmanalpha: 都有换行 10/19 17:06
3F：推 rockmanalpha: 我意思是从<body></body>里面撷取 10/19 17:08
4F：→ rockmanalpha: 而如果在meta里面抓 用正则来处理比较好 10/19 17:10
5F：推 kuoll: substr截取前两个字 如果==作词or作曲or编曲 那一项就不 10/19 23:18
6F：→ kuoll: 要echo就好了 至於/的问题 你先把" / "取代成"/" 再把空 10/19 23:18
7F：→ kuoll: 格换成<br>会不会比较容易一点？ 10/19 23:19
8F：→ poeta: 对对，一时没想到，谢谢两位。 10/20 02:56
9F：推 Peruheru: 作词 作曲 编曲 原作 翻唱 客串 10/20 09:30
10F：→ Peruheru: 如果有歌词真的是"编曲"开头就挂了，建议用编曲： 10/20 09:31