掌握PHP爬取网页的主要方法
发布:smiling 来源: PHP粉丝网 添加日期:2022-07-20 16:50:34 浏览: 评论:0
主要流程就是获取整个网页,然后正则匹配(关键的)。
PHP抓取页面的主要方法,有几种方法是网上前辈的经验,现在还没有用到的,先存下来以后试试。
1.file()函数
2.file_get_contents()函数
3.fopen()->fread()->fclose()模式
4.curl方式 (本人主要用这个)
5.fsockopen()函数 socket模式
6.插件(如:http://sourceforge.net/projects/snoopy/)
7.file()函数
- <?php
- //定义url
- $url='[http://t.qq.com](http://t.qq.com/)';//fiel函数读取内容数组
- $lines_array=file($url);//拆分数组为字符串
- $lines_string=implode('',$lines_array);//输出内容
- echo $lines_string;
2.使用file_get_contents方法实现,比较简单。
使用file_get_contents和fopen必须空间开启allow_url_fopen。方法:编辑php.ini,设置 allow_url_fopen = On,allow_url_fopen关闭时fopen和file_get_contents都不能打开远程文件。
- $url="[http://news.sina.com.cn/c/nd/2016-10-23/doc-ifxwztru6951143.shtml](http://news.sina.com.cn/c/nd/2016-10-23/doc-ifxwztru6951143.shtml)";
- $html=file_get_contents($url);
- //如果出现中文乱码使用下面代码`
- //$getcontent = iconv("gb2312", "utf-8",$html);
- echo"<textarea style='width:800px;height:600px;'>".$html."</textarea>";
3.fopen()->fread()->fclose()模式 ,目前还没用过,看到了就先记下了
- <?php
- //定义url
- $url='[http://t.qq.com](http://t.qq.com/)';//fopen以二进制方式打开
- $handle=fopen($url,"rb");//变量初始化
- $lines_string="";//循环读取数据
- do{
- $data=fread($handle,1024);
- if(strlen($data)==0) {`
- break;
- }
- $lines_string.=$data;
- }while(true);//关闭fopen句柄,释放资源
- fclose($handle);//输出内容
- echo $lines_string;
4.使用curl实现(本人一般使用这个)。
使用curl必须空间开启curl。方法:windows下修改php.ini,将extension=php_curl.dll前面的分号去掉,而且需 要拷贝ssleay32.dll和libeay32.dll到C:\WINDOWS\system32下;Linux下要安装curl扩展。
- <?php
- header("Content-Type: text/html;charset=utf-8");
- date_default_timezone_set('PRC');
- $url = "https://***********ycare";//要爬取的网址
- $res = curl_get_contents($url);//curl封装方法
- preg_match_all('/<script>(.*?)<\/script>/',$res,$arr_all);//这个网页中数据通过js包过来,所以直接抓js就可以
- preg_match_all('/"id"\:"(.*?)",/',$arr_all[1][1],$arr1);//从js块中匹配要的数据
- $list = array_unique($arr1[1]);//(可省)保证不重复
- //以下则是同理,循环则可
- for($i=0;$i<=6;$i=$i+2){
- $detail_url = 'ht*****em/'.$list[$i];
- $detail_res = curl_get_contents($detail_url);
- preg_match_all('/<script>(.*?)<\/script>/',$detail_res,$arr_detail);
- preg_match('/"desc"\:"(.*?)",/',$arr_detail[1][1],$arr_content);
- ***
- ***
- ***
- $ret=curl_post('http://**********cms.php',$result);//此脚本未放在服务器上,原因大家懂就好哈。
- }
- function curl_get_contents($url,$cookie='',$referer='',$timeout=300,$ishead=0) {
- $curl = curl_init();
- curl_setopt($curl, CURLOPT_RETURNTRANSFER,1);
- curl_setopt($curl, CURLOPT_FOLLOWLOCATION,1);
- curl_setopt($curl, CURLOPT_URL,$url);
- curl_setopt($curl, CURLOPT_TIMEOUT,$timeout);
- curl_setopt($curl, CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');
- if($cookie)
- {
- curl_setopt( $curl, CURLOPT_COOKIE,$cookie);
- }
- if($referer)
- {
- curl_setopt ($curl,CURLOPT_REFERER,$referer);
- }
- $ssl = substr($url, 0, 8) == "https://" ? TRUE : FALSE;
- if ($ssl)
- {
- curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);
- curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);
- }
- $res = curl_exec($curl);
- return $res;
- curl_close($curl);
- }
- //curl post数据到服务器
- function curl_post($url,$data){
- $ch = curl_init();
- curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
- //curl_setopt($ch,CURLOPT_FOLLOWLOCATION, 1);
- curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE);
- curl_setopt($ch,CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');
- curl_setopt($ch,CURLOPT_URL,$url);
- curl_setopt($ch,CURLOPT_POST,true);
- curl_setopt($ch,CURLOPT_POSTFIELDS,$data);
- $output = curl_exec($ch);
- curl_close($ch);
- return $output;
- }
- ?>
5.fsockopen()函数 socket模式(没用过,以后可以试试)
socket模式能否正确执行,也跟服务器的设置有关系,具体可以通过phpinfo查看服务器开启了哪些通信协议
- <?php
- $fp = fsockopen("t.qq.com", 80, $errno, $errstr, 30);
- if (!$fp) {
- echo "$errstr ($errno)<br />\n";
- } else {
- $out = "GET / HTTP/1.1\r\n";
- $out .= "Host: t.qq.com\r\n";
- $out .= "Connection: Close\r\n\r\n";
- fwrite($fp, $out);
- while (!feof($fp)) {
- echo fgets($fp, 128);
- }
- fclose($fp);
- }
6.snoopy插件,最新版本是Snoopy-1.2.4.zip Last Update: 2013-05-30,推荐大家使用。
使用网上非常流行的snoopy来进行采集,这是一个非常强大的采集插件,并且它的使用非常方便,你也可以在里面设置agent来模拟浏览器信息。
说明:设置agent是在 Snoopy.class.php 文件的第45行,请在该文件中搜索 “var 公式输入有误_SERVER['HTTP_USER_AGENT']; 可以得到浏览器信息,将echo出来的内容复制到agent里面就可以了。
- <?php
- //引入snoopy的类文件
- require('Snoopy.class.php');
- //初始化snoopy类
- $snoopy=new Snoopy;
- $url="[http://t.qq.com](http://t.qq.com/)";
- //开始采集内容`
- $snoopy->fetch($url);
- //保存采集内容到$lines_string
- $lines_string=$snoopy->results;
- //输出内容,嘿嘿,大家也可以保存在自己的服务器上
- echo $lines_string;
Tags: PHP爬取网页
- 上一篇:php如何进行内存调试
- 下一篇:最后一页
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)