使用RegEx将刮擦限制为X字数+其他规格

Question

你们都可以跳过这个背景信息，尽管它很有用。

背景

我拥有一个为丹麦所有心理学家提供索引的网站。我的网站提供所有诊所的联系信息以及用户评级。

我目前列出了12.000名心理学家，其中约有6.000名有网站。大约有1000名心理学家访问了我的网站，他们用额外的“描述性”信息(如开放时间、价格等)填写了他们的个人资料。

我试图(用PHP和RegEx)自动抓取那些没有向我的社区提供详细信息的人的站点，原因很丰富。

我随机浏览了大约150个网站，得出的结论是，超过85 %的网站都有有价值的文本继续使用“Velkommen”(欢迎，在Denish中)。宝贝！

问题

#1

我如何在我的脚本中详细说明，我只想获得大约。360字，仅此而已。Ofc。这应该是前面(包括)的词Velkommen。此外，脚本不应该区分大小写(虽然Velkommen通常用大写V拼写，但它可以在另一个句子中弹出)。

而且，它应该是整个页面上最后出现的'velkommen‘，因为它有时会作为菜单/导航选项出现，这会很糟糕，因为我会抓取导航选项。

#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。什么将是最优的SEO；

1. 将刮过的文本保存在MySQL中，并每次显示。
2. 渲染相同的360个字符-每次文本后面的'Velkommen‘
3. 呈现随机360字符-文本从网站，每次有人查看一个特定的心理学家在我的网站。

下面是一个示例站点和我的当前脚本：

$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]);
}

感谢任何能解决这个难题的人，他们来自丹麦这个美丽的国家。

Answer 1

试着做这样的事情：

<?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]);