PHP抓取及分析网页的方法详解
发布:smiling 来源: PHP粉丝网 添加日期:2019-08-18 14:20:10 浏览: 评论:0
本文实例讲述了PHP抓取及分析网页的方法。分享给大家供大家参考,具体如下:
抓取和分析一个文件是非常简单的事。这个教程将通过一个例子带领你一步一步地去实现它。让我们开始吧!
首先,我首必须决定我们将抓取的URL地址。可以通过在脚本中设定或通过$QUERY_STRING传递。为了简单起见,让我们将变量直接设在脚本中。
- $url = 'http://www.phpfensi.com';
- ?>
第二步,我们抓取指定文件,并且通过file()函数将它存在一个数组里。
- $url = 'http://www.phpfensi.com';
- $lines_array = file($url);
- ?>
好了,现在在数组里已经有了文件了。但是,我们想分析的文本可能不全在一行里面。为了解决这个文件,我们可以简单地将数组$lines_array转化成一个字符串。我们可以使用implode(x,y)函数来实现它。如果在后面你想用explode(将字符串变量数组),将x设成"|"或"!"或其它类似的分隔符可能会更好。但是出于我们的目的,最好将x设成空格。y是另一个必要的参数,因为它是你想用implode()处理的数组。
- $url = 'http://www.phpfensi.com';
- $lines_array = file($url);
- $lines_string = implode('', $lines_array);
- ?>
现在,抓取工作就做完了,下面该进行分析了。出于这个例子的目的,我们想得到在到之间的所有东西。为了分析出字符串,我们还需要叫做正规表达式的东西。
- $url = 'http://www.phpfensi.com';
- $lines_array = file($url);
- $lines_string = implode('', $lines_array);
- eregi("(.*)", $lines_string, $head);
- ?>
让我们看一下代码。正如你所见,eregi()函数按下面的格式执行:
eregi("(.*)", $lines_string, $head);
"(.*)"表示所有东西,可以解释为,"分析在和间的所以东西"。$lines_string是我们正在分析的字符串,$head是分析后的结果存放的数组。
最后,我们可以输数据。因为仅在和间存在一个实例,我们可以安全的假设数组中仅存在着一个元素,而且就是我们想要的。让我们把它打印出来吧。
- $url = 'http://www.phpfensi.com';
- $lines_array = file($url);
- $lines_string = implode('', $lines_array); eregi("(.*)", $lines_string, $head);
- echo $head[0];
- ?>
这就是全部的代码了。
- <?php
- //获取所有内容url保存到文件
- function get_index ( $save_file , $prefix = "index_" ){
- $count = 68 ;
- $i = 1 ;
- if ( file_exists ( $save_file )) @ unlink ( $save_file );
- $fp = fopen ( $save_file , "a+" ) or die( "Open " . $save_file . " failed" );
- while( $i < $count ){
- $url = $prefix . $i . ".htm" ;
- echo "Get " . $url . "..." ;
- $url_str = get_content_url ( get_url ( $url ));
- echo " OK/n" ;
- fwrite ( $fp , $url_str );
- ++ $i ;
- }
- fclose ( $fp );
- }
- //获取目标多媒体对象
- function get_object ( $url_file , $save_file , $split = "|--:**:--|" ){
- if (! file_exists ( $url_file )) die( $url_file . " not exist" );
- $file_arr = file ( $url_file );
- if (! is_array ( $file_arr ) || emptyempty( $file_arr )) die( $url_file . " not content" );
- $url_arr = array_unique ( $file_arr );
- if ( file_exists ( $save_file )) @ unlink ( $save_file );
- $fp = fopen ( $save_file , "a+" ) or die( "Open save file " . $save_file . " failed" );
- foreach( $url_arr as $url ){
- if (emptyempty( $url )) continue;
- echo "Get " . $url . "..." ;
- $html_str = get_url ( $url );
- echo $html_str ;
- echo $url ;
- exit;
- $obj_str = get_content_object ( $html_str );
- echo " OK/n" ;
- fwrite ( $fp , $obj_str );
- }
- fclose ( $fp );
- }
- //遍历目录获取文件内容
- function get_dir ( $save_file , $dir ){
- $dp = opendir ( $dir );
- if ( file_exists ( $save_file )) @ unlink ( $save_file );
- $fp = fopen ( $save_file , "a+" ) or die( "Open save file " . $save_file . " failed" );
- while(( $file = readdir ( $dp )) != false ){
- if ( $file != "." && $file != ".." ){
- echo "Read file " . $file . "..." ;
- $file_content = file_get_contents ( $dir . $file );
- $obj_str = get_content_object ( $file_content );
- echo " OK/n" ;
- fwrite ( $fp , $obj_str );
- }
- }
- fclose ( $fp );
- }
- //获取指定url内容
- function get_url ( $url ){
- $reg = '/^http:////[^//].+$/' ;
- if (! preg_match ( $reg , $url )) die( $url . " invalid" );
- $fp = fopen ( $url , "r" ) or die( "Open url: " . $url . " failed." );
- while( $fc = fread ( $fp , 8192 )){
- $content .= $fc ;
- }
- fclose ( $fp );
- if (emptyempty( $content )){
- die( "Get url: " . $url . " content failed." );
- }
- return $content ;
- }
- //使用socket获取指定网页
- function get_content_by_socket ( $url , $host ){
- $fp = fsockopen ( $host , 80 ) or die( "Open " . $url . " failed" );
- $header = "GET /" . $url . " HTTP/1.1/r/n" ;
- $header .= "Accept: */*/r/n" ;
- $header .= "Accept-Language: zh-cn/r/n" ;
- $header .= "Accept-Encoding: gzip, deflate/r/n" ;
- $header .= "User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; Maxthon; InfoPath.1; .NET CLR 2.0.50727)/r/n" ;
- $header .= "Host: " . $host . "/r/n" ;
- $header .= "Connection: Keep-Alive/r/n" ;
- //$header .= "Cookie: cnzz02=2; rtime=1; ltime=1148456424859; cnzz_eid=56601755-/r/n/r/n";
- $header .= "Connection: Close/r/n/r/n" ;
- fwrite ( $fp , $header );
- while (! feof ( $fp )) {
- $contents .= fgets ( $fp , 8192 );
- }
- fclose ( $fp );
- return $contents ;
- }
- //获取指定内容里的url
- function get_content_url ( $host_url , $file_contents ){
- //$reg = '/^(#|<a href="http://lib.csdn.net/base/18" class="replace_word" title="JavaScript知识库" target="_blank" style="color:#df3434; font-weight:bold;">JavaScript</a>.*?|ftp:////.+|http:////.+|.*?href.*?|play.*?|index.*?|.*?asp)+$/i';
- //$reg = '/^(down.*?/.html|/d+_/d+/.htm.*?)$/i';
- $rex = "/([hH][rR][eE][Ff])/s*=/s*['/"]*([^>'/"/s]+)[/"'>]*/s*/i" ;
- $reg = '/^(down.*?/.html)$/i' ;
- preg_match_all ( $rex , $file_contents , $r );
- $result = "" ; //array();
- foreach( $r as $c ){
- if ( is_array ( $c )){
- foreach( $c as $d ){
- if ( preg_match ( $reg , $d )){ $result .= $host_url . $d . "/n" ; }
- }
- }
- }
- return $result ;
- }
- //获取指定内容中的多媒体文件
- function get_content_object ( $str , $split = "|--:**:--|" ){
- $regx = "/href/s*=/s*['/"]*([^>'/"/s]+)[/"'>]*/s*(.*?<!--/b-->)/i" ;
- preg_match_all ( $regx , $str , $result );
- if ( count ( $result ) == 3 ){
- $result [ 2 ] = str_replace ( "多媒体: " , "" , $result [ 2 ]);
- $result [ 2 ] = str_replace ( " " , "" , $result [ 2 ]);
- $result = $result [ 1 ][ 0 ] . $split . $result [ 2 ][ 0 ] . "/n" ;
- }
- return $result ;
- }
- ?>
Tags: PHP抓取网页
相关文章
- ·几种PHP实现网页抓取的程序代码(2015-04-09)
- ·PHP使用CURL实现多线程抓取网页(2021-05-25)
- ·PHP抓取网页、解析HTML常用的方法总结(2021-06-06)
推荐文章
热门文章
最新评论文章
- 写给考虑创业的年轻程序员(10)
- PHP新手上路(一)(7)
- 惹恼程序员的十件事(5)
- PHP邮件发送例子,已测试成功(5)
- 致初学者:PHP比ASP优秀的七个理由(4)
- PHP会被淘汰吗?(4)
- PHP新手上路(四)(4)
- 如何去学习PHP?(2)
- 简单入门级php分页代码(2)
- php中邮箱email 电话等格式的验证(2)