使用php高效采集新闻信息：巧妙解决相对路径和内容提取难题
本文将详细讲解如何利用PHP、cURL和正则表达式，从目标网站抓取新闻列表及新闻详情。我们将重点攻克两个挑战：一是将新闻列表页中相对路径的链接转换成完整的URL；二是精准提取新闻详情页中的新闻正文。
目标是从网站列表页（页面1）获取新闻标题和链接（这些链接为相对路径，例如/arthtml/40958.html），并访问每个新闻详情页（页面2）提取新闻内容，最终在页面上显示新闻标题、完整URL和新闻内容。
挑战一：相对路径转换为完整URL
立即学习“PHP免费学习笔记（深入）”；
为了将相对路径转换为完整URL，我们可以使用正则表达式提取相对路径，再与网站根域名拼接。在页面1的源代码中，新闻链接位于标签的href属性中。 我们可以使用类似href=”https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c”的正则表达式进行匹配。
挑战二：精准提取新闻详情页内容
从新闻详情页提取新闻内容是第二个挑战。假设页面2的新闻内容位于
“的正则表达式提取内容。
虽然问题答案中建议使用dom解析框架（例如DOMDocument），这对于处理复杂HTML结构更为稳妥，能有效避免正则表达式在处理复杂HTML时可能出现的错误。但如果HTML结构相对简单，且性能要求不高，使用正则表达式也是一种可行的方案。
cURL库负责获取页面内容，其代码框架已在问题描述中提供，只需将CURLOPT_URL参数修改为获取到的完整URL即可。
重要提示：
在进行网络爬虫时，务必遵守网站的robots.txt协议，避免对目标网站造成过大压力。 同时，建议设置合适的User-Agent和Referer头信息，模拟正常的浏览器访问行为。
