当前位置:首页 > PHP教程 > php应用 > 列表

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。

  1.  
  2. $url = 'http://www.phpfensi.com'
  3.  
  4. ?> 

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。

  1.  
  2. $url = 'http://www.phpfensi.com'
  3.  
  4. $lines_array = file($url); 
  5.  
  6. ?> 

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。

  1.  
  2. $url = 'http://www.phpfensi.com'
  3.  
  4. $lines_array = file($url); 
  5.  
  6. $lines_string = implode(''$lines_array); 
  7.  
  8. ?> 

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。

  1.  
  2. $url = 'http://www.phpfensi.com'
  3.  
  4. $lines_array = file($url); 
  5.  
  6. $lines_string = implode(''$lines_array); 
  7.  
  8. eregi("(.*)"$lines_string$head); 
  9.  
  10. ?> 

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。

  1. $url = 'http://www.phpfensi.com' 
  2.  
  3. $lines_array = file($url); 
  4.  
  5. $lines_string = implode(''$lines_array); eregi("(.*)"$lines_string$head); 
  6.  
  7. echo $head[0]; 
  8.  
  9. ?> 

这就是全部的代码了。

  1. <?php 
  2.  
  3. //获取所有内容url保存到文件 
  4.  
  5. function get_index ( $save_file , $prefix = "index_" ){ 
  6.  
  7.    $count = 68 ; 
  8.  
  9.    $i = 1 ; 
  10.  
  11.   if ( file_exists ( $save_file )) @ unlink ( $save_file ); 
  12.  
  13.    $fp = fopen ( $save_file , "a+" ) or die"Open " . $save_file . " failed" ); 
  14.  
  15.   while$i < $count ){ 
  16.  
  17.      $url = $prefix . $i . ".htm" ; 
  18.  
  19.     echo "Get " . $url . "..." ; 
  20.  
  21.      $url_str = get_content_url ( get_url ( $url )); 
  22.  
  23.     echo " OK/n" ; 
  24.  
  25.      fwrite ( $fp , $url_str ); 
  26.  
  27.     ++ $i ; 
  28.  
  29.   } 
  30.  
  31.    fclose ( $fp ); 
  32.  
  33.  
  34. //获取目标多媒体对象 
  35.  
  36. function get_object ( $url_file , $save_file , $split = "|--:**:--|" ){ 
  37.  
  38.   if (! file_exists ( $url_file )) die$url_file . " not exist" ); 
  39.  
  40.    $file_arr = file ( $url_file ); 
  41.  
  42.   if (! is_array ( $file_arr ) || emptyempty$file_arr )) die$url_file . " not content" ); 
  43.  
  44.    $url_arr = array_unique ( $file_arr ); 
  45.  
  46.   if ( file_exists ( $save_file )) @ unlink ( $save_file ); 
  47.  
  48.    $fp = fopen ( $save_file , "a+" ) or die"Open save file " . $save_file . " failed" ); 
  49.  
  50.   foreach$url_arr as $url ){ 
  51.  
  52.     if (emptyempty$url )) continue
  53.  
  54.     echo "Get " . $url . "..." ; 
  55.  
  56.      $html_str = get_url ( $url ); 
  57.  
  58.     echo $html_str ; 
  59.  
  60.     echo $url ; 
  61.  
  62.     exit
  63.  
  64.      $obj_str = get_content_object ( $html_str ); 
  65.  
  66.     echo " OK/n" ; 
  67.  
  68.      fwrite ( $fp , $obj_str ); 
  69.  
  70.   } 
  71.  
  72.    fclose ( $fp ); 
  73.  
  74.  
  75. //遍历目录获取文件内容 
  76.  
  77. function get_dir ( $save_file , $dir ){ 
  78.  
  79.    $dp = opendir ( $dir ); 
  80.  
  81.   if ( file_exists ( $save_file )) @ unlink ( $save_file ); 
  82.  
  83.    $fp = fopen ( $save_file , "a+" ) or die"Open save file " . $save_file . " failed" ); 
  84.  
  85.   while(( $file = readdir ( $dp )) != false ){ 
  86.  
  87.     if ( $file != "." && $file != ".." ){ 
  88.  
  89.       echo "Read file " . $file . "..." ; 
  90.  
  91.        $file_content = file_get_contents ( $dir . $file ); 
  92.  
  93.        $obj_str = get_content_object ( $file_content ); 
  94.  
  95.       echo " OK/n" ; 
  96.  
  97.        fwrite ( $fp , $obj_str ); 
  98.  
  99.     } 
  100.  
  101.   } 
  102.  
  103.    fclose ( $fp ); 
  104.  
  105.  
  106. //获取指定url内容 
  107.  
  108. function get_url ( $url ){ 
  109.  
  110.    $reg = '/^http:////[^//].+$/' ; 
  111.  
  112.   if (! preg_match ( $reg , $url )) die$url . " invalid" ); 
  113.  
  114.    $fp = fopen ( $url , "r" ) or die"Open url: " . $url . " failed." ); 
  115.  
  116.   while$fc = fread ( $fp , 8192 )){ 
  117.  
  118.      $content .= $fc ; 
  119.  
  120.   } 
  121.  
  122.    fclose ( $fp ); 
  123.  
  124.   if (emptyempty$content )){ 
  125.  
  126.     die"Get url: " . $url . " content failed." ); 
  127.  
  128.   } 
  129.  
  130.   return $content ; 
  131.  
  132.  
  133. //使用socket获取指定网页 
  134.  
  135. function get_content_by_socket ( $url , $host ){ 
  136.  
  137.    $fp = fsockopen ( $host , 80 ) or die"Open " . $url . " failed" ); 
  138.  
  139.    $header = "GET /" . $url . " HTTP/1.1/r/n" ; 
  140.  
  141.    $header .= "Accept: */*/r/n" ; 
  142.  
  143.    $header .= "Accept-Language: zh-cn/r/n" ; 
  144.  
  145.    $header .= "Accept-Encoding: gzip, deflate/r/n" ; 
  146.  
  147.    $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" ; 
  148.  
  149.    $header .= "Host: " . $host . "/r/n" ; 
  150.  
  151.    $header .= "Connection: Keep-Alive/r/n" ; 
  152.  
  153.    //$header .= "Cookie: cnzz02=2; rtime=1; ltime=1148456424859; cnzz_eid=56601755-/r/n/r/n"; 
  154.  
  155.    $header .= "Connection: Close/r/n/r/n" ; 
  156.  
  157.    fwrite ( $fp , $header ); 
  158.  
  159.    while (! feof ( $fp )) { 
  160.  
  161.      $contents .= fgets ( $fp , 8192 ); 
  162.  
  163.    } 
  164.  
  165.    fclose ( $fp ); 
  166.  
  167.    return $contents ; 
  168.  
  169.  
  170. //获取指定内容里的url 
  171.  
  172. function get_content_url ( $host_url , $file_contents ){ 
  173.  
  174.    //$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)+$/i'; 
  175.  
  176.    //$reg = '/^(down.*?/.html|/d+_/d+/.htm.*?)$/i'; 
  177.  
  178.    $rex = "/([hH][rR][eE][Ff])/s*=/s*['/"]*([^>'/"/s]+)[/"'>]*/s*/i" ; 
  179.  
  180.    $reg = '/^(down.*?/.html)$/i' ; 
  181.  
  182.    preg_match_all ( $rex , $file_contents , $r ); 
  183.  
  184.    $result = "" ; //array(); 
  185.  
  186.    foreach$r as $c ){ 
  187.  
  188.     if ( is_array ( $c )){ 
  189.  
  190.       foreach$c as $d ){ 
  191.  
  192.         if ( preg_match ( $reg , $d )){ $result .= $host_url . $d . "/n" ; } 
  193.  
  194.       } 
  195.  
  196.     } 
  197.  
  198.   } 
  199.  
  200.   return $result ; 
  201.  
  202.  
  203. //获取指定内容中的多媒体文件 
  204.  
  205. function get_content_object ( $str , $split = "|--:**:--|" ){ 
  206.  
  207.    $regx = "/href/s*=/s*['/"]*([^>'/"/s]+)[/"'>]*/s*(.*?<!--/b-->)/i" ; 
  208.  
  209.    preg_match_all ( $regx , $str , $result ); 
  210.  
  211.   if ( count ( $result ) == 3 ){ 
  212.  
  213.      $result [ 2 ] = str_replace ( "多媒体: " , "" , $result [ 2 ]); 
  214.  
  215.      $result [ 2 ] = str_replace ( " " , "" , $result [ 2 ]); 
  216.  
  217.      $result = $result [ 1 ][ 0 ] . $split . $result [ 2 ][ 0 ] . "/n" ; 
  218.  
  219.   } 
  220.  
  221.   return $result ; 
  222.  
  223.  
  224. ?> 

Tags: PHP抓取网页

分享到: