如何DIY一个全文输出的RSS订阅源

1. 平时有过想法，不过技术一般，没有实现，上周在网上偶然发现一个朋友做的站点，就是全文输出的一些经典的网站和资讯贴。如获至宝，学了一周，同时多次麻烦大咖，终于在这两天成功学到基础的东西，可以做出一些基本的RSS全文订阅的资源来。这里说一下基本的原理。主要有两个文件，第一个是提取网页内容的PHP文件（一篇文章大体上可分三个内容：链接，标题与内容），第二个是将这提取的文件按RSS标准写出，并形成XML文件，以供订阅。
   
2. 第一个文件：gethtml 是一个固定文件，平时几乎不用管它。
   
3. 第二个文件：space文件是要修改的文件，它会将第一个提取出的文件转换成XML标准格式。平时主要修改的也就是这第二个了。
   
4. 下面是部分源码：
   
5. <?php
   
6. include "gethtml.php";
   
7. $regex_link = '#(?<=</a>]　<a href=").+?(?=")#s';
   
8. $regex_tit = '#(?<=<!--jrj_final_title_start-->)(.+?)(?=<!--jrj_final_title_end-->)#s';
   
9. $regex_con = '#(?<=<div class="texttit_m1">).*?(?=<!--爱投顾 begin -->)#s';
   
10. $header='<?xml version="1.0" encoding="gb2312"?><rss version="2.0"><channel><title>滚动新闻-金融街</title>';
    
11. $footer='</channel></rss>';
    
12. $html=gethtml('http://futures.jrj.com.cn/list.shtml');
    
13. if(preg_match_all($regex_link, $html, $links)){
    
14.   $size=10;
    
15.   for($i=0;$i<$size;$i++){
    
16.     $link=$links[0][$i];
    
17.     $content=gethtml($link);
    
18.     preg_match($regex_con,$content,$article);
    
19.     preg_match($regex_tit,$content,$title);
    
20.     $rss.='<item><title>'.$title[0].'</title><link><![CDATA['.$link.']]></link><description><![CDATA['.$article[0].']]></description></item>';
    
21.   }
    
22.   file_put_contents('list.xml',$header.$rss.$footer);
    
23. }
    
24. ?>
    
25. 
    
26. 下面分析如何修改：
    
27. 主要修改的是这么几个地方：
    
28. $regex_link是提取超级链接地址，$regex_tit 是提取文章标题，$regex_con 是提取文章内容。后面是用正规则写的，不会可以在网上搜。具体说明一下：
    
29. (1)=后面的''是一定要有的，要是列表里面地址用“”，要是列表里地址用‘’，最外面的就要用“”，这里全都是英文状态下的。说白就是单双引号一定要分开，要是列表的地址用单引号，这外面就得改为双引号。
    
30. (2)##是正规则的表示，是告诉文件这里面是正规则内容。
    
31. (3)?<= 是截取左边的地址的标志符，是不包括这些的。比方说 abcdefg  ,  要是写?<=bc  ,那么就是从d开始截取defg。同理?=就是截取时右边的字符结束位置，也是不包括这个字符的。比方说 ?=e ,就是截取到abcd
    
32. (4).+？是从左边截取时第一个出现的右边的这个字符串为止这一段字符，比方说我这个网址: http://rssft.com   正规则 (?<=http://).+?(?=.com)  截取出来的就是rssft
    
33. （5）.+？ 与.*？ 这两个的区别，第一个是一个或很多，第二个是没有或很多。（.*?） 是懒惰匹配，一旦匹配到第一个就不往下走了。（.+？）是无限匹配直到最后一个。不懂的可以百度。下面是我写的金融街的一个提取正规则，地址：http://rssft.com/?thread-53.htm 可以好好理解一下各是什么意思。
    
34. 
    
35. $regex_link = '#(?<=</a>]　<a href=").+?(?=")#s';
    
36. $regex_tit = '#(?<=<!--jrj_final_title_start-->)(.+?)(?=<!--jrj_final_title_end-->)#s';
    
37. $regex_con = '#(?<=<div class="texttit_m1">).*?(?=<!--爱投顾 begin -->)#s';
    
38. 然后是这里：
    
39. $header='<?xml version="1.0" encoding="gb2312"?><rss version="2.0"><channel><title>滚动新闻-金融街</title>';
    
40. XML的编码，要跟文章内容页的编码一致，要不的话会出现乱码。后面是这个XML的标题，改成自己的。
    
41. 然后：
    
42. $html=gethtml('http://futures.jrj.com.cn/list.shtml');
    
43. 改成要做的那个列表地址。
    
44. 最后：
    
45. $link=$links[0][$i];
    
46. 这个地址也是一个麻烦的地方。要是截取的是绝对地址，就按我上面写的，要是取的是相对地址，就要改一下，比方说取的地址是a.html  b.html 这时就要加上域名的地址。如下：
    
47.     $link='http://rssft.com/'.$links[0][$i];
    
48. 这样输出时地址就换成http://rssft.com/a.html   和http://rssft.com/b.html 了。
    
49. 
    
50. 最最后说明一点是有些朋友可能做出的XML文件订阅时显示XML标题乱码，这是因为源地址列表与你保存的PHP编码不同导致的，要是列表是UTF-8，保存PHP文件时就可以用UTF-8，要是源文件是GBK ,GB2312 类似的，保存PHP时就要选择的语言是ANSI。一个小技巧吧。
    
51. 
    
52. 到现在做好XML后就要放到网站上面了，要能支持PHP环境的网站，有IP地址或域名访问的。然后用第二文件地址打开，就生成并刷新XML了，将这个XML的网址加到订阅阅里面就能阅读了。平时隔段时间刷新那个PHP文件就能随时更新XML资讯了。两个途径，一是在服务器上面做定时计划，定时访问PHP文件，另一个是用这个网站，定时访问你的栏目php文件，地址：https://cron-job.org/
    
53. 
    
54. 需要说明的是并不是所有的网站都能做的，有些网站编码乱的厉害，导致乱码一堆，有些网站模板也有好多，随机使用，也导致我们没法提取。

复制代码