php - 使用RegEx将爬取限制为X个字符数量及其他规范

Closed. This question needs to be more focused。它当前不接受答案。
                            
                        
                    
                
                            
                                
                
                        
                            
                        
                    
                        
                            想改善这个问题吗？更新问题，使其仅通过editing this post专注于一个问题。
                        
                        5年前关闭。
                                                                                            
                
        
您可以跳过所有背景信息，尽管它会有所帮助。

背景

我拥有一个对丹麦所有心理学家进行索引的网站。
我的网站提供了所有诊所的联系信息以及用户评分。

我目前列出的是12.000位心理学家，其中约有6000位拥有网站。大约1000位心理学家访问了我的网站，并在个人资料中添加了其他“描述性”信息（例如开放时间，价格等）。

出于信息性原因，我试图自动（使用PHP和RegEx）抓取那些未向我的社区提供详细信息的站点。

我浏览了大约150个不错的网站，并得出结论：超过85％的网站上都有“ Velkommen”一词（“欢迎”，用Denish开头）的有价值的文字。珍贵！

问题

＃1

我该如何在脚本中具体说明一下，我只想获取大约。 360个字符，仅此而已。 Ofc。这应该在（包括）Velkommen一词的前面。另外，脚本不应该区分大小写（尽管Velkommen通常用大写V拼写，但可以在另一句话中弹出。）

另外，它应该是整个首页上最后一次出现的“ velkommen”，因为有时它会作为菜单/导航选项出现，这很烂，因为我随后会抓住导航选项。

＃2

目前，我的脚本将信息保存在多个数组中，然后保存在数据库中。

不知道我该怎么做。什么是最适合SEO？


将抓取的文本保存在MySQL中并每次显示。
每次[在“ Velkommen”之后”都渲染相同的360个字符的文本
每次有人在我的网站上查看特定的心理学家时，都会从网站上随机显示360个字符的文本。


这是一个示例网站和我当前的脚本：

$web = "http://www.psykologdorthelau.dk/";
$website = file_get_contents ($web);

preg_match_all("/velkommen.+?/sim", $website, $information);

//THIS SHOULD SPECIFICY THE VERY LAST 'VELKOMMEN' - it doesn't, I know :(
for($i = 0; $i < count($information[0]); $i++){

preg_match_all("/Velkommen (.+?)\"/sim", $information[0][$i], $text, PREG_SET_ORDER);

$psychologist[$i]['text'] = mysql_real_escape_string($text[0][1]);
}

感谢您，来自这个美丽的丹麦国家的人，能够解决这个难题。

最佳答案

尝试这样的事情：

<?php

$web = "http://www.psykologdorthelau.dk/";
$website = file_get_contents ($web);

// TRY TO FIND ALL OF THE MATCHES
preg_match_all('/velkommen.{1,351}/ims', $website, $matches);

// PULL OUT THE LAST ITEM FROM THE `$matches`
$last_velkommen = array_pop($matches[0]);