RSS — семейство XML-форматов, предназначенных для

описания лент новостей, анонсов статей, изменений в блогах и т. п.

Информация из различных источников, представленная в формате RSS, может

быть собрана, обработана и представлена

пользователю в удобном для него

виде специальными программами-агрегаторами.

То есть это по сути XML (кто незнает что это идем в википедию и читаем),

а XML как нам известно хорошо структурированный документ. Я клоню к

тому что если в RSS есть открывающий тег, то должен быть и закрывающий

(например: <title>Заголовок</title>), иначе это не RSS.

Думаю на данном этапе суть ясна: нам нужно получить информацию

заключенную между тегами. Любая RSS лента имеет заголовок заключенный

между тегами <title></title> и сам текст статьи заключенный

между тегами < description></description>, именно их нам и

нужно спарсить.

Теперь расскажу о способах написания RSS парсера и что предлагает нам PHP для реализации.

Способ 1 – SimpleXML

SimpleXML – это расширение для PHP5 устанавливаемое

в него по умолчанию, представляет самый простой и элегантный способ

обработки XML (соответственно и RSS) файлов. Это и наиболее

предпочтительный способ, но он стал доступным только в 5 версии PHP.

Тут нет ничего проще, данный код наглядно показывает как просто парсить

RSS ленты средствами SimpleXML:

<?
$url = 'rss.xml';       //адрес RSS ленты
$rss = simplexml_load_file($url);       //Интерпретирует XML-файл в объект//цикл для обхода всей RSS лентыforeach ($rss->channel->item as $item) {
        echo '<h1>'.$item->title.'</h1>';       //выводим на печать заголовок статьи 
        echo $item->description;        //выводим на печать текст статьи}?>

Данный код выведет заголовки и тексты статей из RSS ленты. Просто

ведь? Этим SimpleXML и привлекает. Дальше вам нужно будет только

правильно распорядиться полученными данными, записать в базу или еще

куда-нибудь.

Способ 2 – XML Parser Functions

XML Parser Functions - это стандартные функции PHP

для работы с XML доступные начиная c 4-ой версии PHP. Тоже нет ничего

сложного, правда в отличие от SimpleXML совсем не элегантно.

Продемонстрирую пример:

<?
$url = 'rss.xml';       //адрес RSS ленты
$xml = xml_parser_create();     //создаёт XML-разборщик
xml_parser_set_option($xml, XML_OPTION_SKIP_WHITE, 1);  //устанавливает опции XML-разборщика
xml_parse_into_struct($xml, file_get_contents($url), $element, $index); //разбирает XML-данные в структуру массива
xml_parser_free($xml);  //освобождает XML-разборщик
$count = count($index["TITLE"])-1;      //число проходов цикла.for ($i=0; $i < $count; $i++) {
        echo '<h1>'.$element[$index["TITLE"][$i+1]]["value"].'</h1>';           //выводим на печать заголовок статьи 
        echo $element[$index["DESCRIPTION"][$i+1]]["value"];            //выводим на печать текст статьи}?>

Вот таким образом мы получаем интересующие нас содержимое элементов

RSS. Но тут уже нужно разобраться с массивами которые создает XML

разборщик.

Способ 3 – Написать RSS парсер самому

Например я делал именно так, когда не знал про существование

SimpleXML и XML Parser Functions. Приведу небольшой пример парсинга RSS

обычным процедурным PHP кодом, тут за парсинг отвечает функция

preg_match_all(), которая выполняет глобальный поиск шаблона в строке.

Данный пример не совершенен и парсит только титлы и дескрипшены у RSS:

<?
$url = 'rss.xml';       //адрес RSS ленты
$rss = @file_get_contents($url);        //получаем содержимое RSS лент в виде одной строкиif ($rss) {     
        preg_match_all("/title>[^>]+>/", $rss, $title);         //парсим титлы
        preg_match_all("/<description>[^<]+<\/description>/", $rss, $description);              //парсим дескрипшены
        
        $count = count($title[0])-1;    //число проходов цикла.
        
        for ($i=0; $i < $count; $i++) {
                echo '<h1>'.substr($title[0][$i+1], 6, -8).'</h1>';             //выводим на печать заголовок статьи 
                echo substr($description[0][$i], 13, -14);              //выводим на печать текст статьи
        }} else {
        echo '<font color="red">Ошибка парсинга '.$url.'</font>';       //выводим ошибку если file_get_contents() вернула false}?>

Таким же способом можно и отпарсить остальные элементы RSS ленты, главное написать правильно регулярку.

На этих трех способах мы и остановимся, еще есть наверняка множество

сторонних скриптов и классов в PHP для парсинга XML, например magpieRSS

у которого проблемы с кодировкой при парсинге и решить ее у меня не

получилось, да собственно не очень то и хотелось, когда есть SimpleXML

и XML Parser Functions. Вот кстати о проблемах с кодировкой мы сейчас и

поговорим…

Проблемы с кодировкой

RSS ленты как правило находятся в кодировке UTF-8, при парсинге

русского текста тремя способами описанными выше, нам на экран выводятся

кракозябры. Все потому, что тест к нам приходит в кодировке UTF-8. Для

того что бы вывести нормальные РУССКИЕ буквы нужно перекодировать

спарсеный текст из кодировки UTF-8 в Windows-1251. Для этих целей в PHP

существует функция iconv(),

но она доступна не на всех серверах и чтобы избежать дальнейших проблем

с вашим RSS парсером советую использовать самописную функцию

перекодировки. Вникать в тонкости кодировок и разбираться как из одной

кодировки получается другая думаю вам не хочется, так же не хотелось и

мне. Немного погуглив я нашел замечательную функцию перекодировки из UTF-8 в Windows-1251 и обратно,

предоставляет ее некий товарищ E64F. Возможно конечно он тоже ее где-то

слямзил, но это не так важно, важно то что она мне очень понравилась по

сравнению с другими нагуглеными функциями. Выкладываю функцию и пример

ее использования:

<?
echo utf8_convert($str, "w");   //перекодирует $str из UTF-8 в Windows-1251 и выведет на экранfunction utf8_convert($str, $type){
   static $conv = '';
   if (!is_array($conv))
   {
      $conv = array();
      for ($x=128; $x <= 143; $x++)
      {
         $conv['utf'][] = chr(209) . chr($x);
         $conv['win'][] = chr($x + 112);
      }
      for ($x=144; $x<= 191; $x++)
      {
         $conv['utf'][] = chr(208) . chr($x);
         $conv['win'][] = chr($x + 48);
      }
      $conv['utf'][] = chr(208) . chr(129);
      $conv['win'][] = chr(168);
      $conv['utf'][] = chr(209) . chr(145);
      $conv['win'][] = chr(184);
   }
   if ($type == 'w')
   {
      return str_replace($conv['utf'], $conv['win'], $str);
   }
   elseif ($type == 'u')
   {
      return str_replace($conv['win'], $conv['utf'], $str);
   }
   else
   {
      return $str;
   }}?>

Функция utf8_convert() принимает 2 параметра: $str – наша строка

которую нужно перекодировать и $type – в какую кодировку нужно

кодировать (“w” – из utf в win, “u” – из win в utf). Как это применить

к нашим 3-м способам парсинга RSS думаю разберетесь, если хоть немного

знаете PHP.

источник