PHP扩展curl和正则表达式轻松采集新闻

2020-03-24 17:10:41

字体：大中小

来源：转载

供稿：网友

采集已经不是什么新名词了，很多站长为了省事，也局限于人力的缺乏，使用程序来给自己的网站添砖加瓦，比如本人的个人网站www.xxfsw.com也采集了大量的新闻，那么如果实现呢？今天我们运用php来实现这个功能。谈到采集，我们不得不说两个东西，第一个是如何获取远程网站的源代码，这个可以通过php的一个扩展curl来获取，另一个是如果去匹配你需要的信息，这个的解决办法是html' target='_blank'>正则表达式。Windows下开启curl的方法如下：1、拷贝PHP目录中的libeay32.dll， ssleay32.dll， php5ts.dll， php_curl.dll文件到 system32 目录。2、修改php.ini：配置好 extension_dir ，去掉 extension = php_curl.dll 前面的分号。3、重起apache。Linux下开启curl的方法如下：进入安装原php 的源码目录，cd ext
cd curl
phpize
./configure --with-curl =DIR
make就会在PHPDIR/ext/curl /moudles/下生成curl .so的文件。复制curl .so文件到extensions的配置目录，修改php .ini就好了。然后你就可以利用curl来获取到指定url的网页源码了，这里给大家一个封装好的函数：
以下为引用的内容：
function getwebcontent($url){
$ch = curl_init();
$timeout = 10;
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1);
$contents = trim(curl_exec($ch));
curl_close($ch);
return $contents;
}
以下为引用的内容：
p+匹配至少一个含p的字符串
p*陪陪任何包含0个或多个p的字符串
p?匹配任何包含0个或一个p的字符串
p{2}匹配包含2个p的序列的字符串
p{2,3}匹配任何包含2个或3个的字符串
p$匹配任何以p结尾的字符串
^p匹配任何以p开头的字符串
[^a-zA-Z]匹配任何不包含a-zA-Z的字符串
p.p匹配任何包含p、接下来是任何字符、再接下来有又是p的字符串
^.{2}$匹配任何值包含2个字符的字符串
b (.*)b 匹配任何被 b 包围的字符串
p(hp)*匹配任何一个包含p,后面是多个或0个hp的字符串
以下为引用的内容：
[:alpha:]同[a-zA-Z]
[:alnum:]同[a-zA-Z0-9]
[:cntrl:]匹配控制字符，比如制表符，反斜杠，退格符
[:digit:]同[0-9]
[:graph:]所有ASCII33~166范围内可以打印的字符
[:lower:]同[a-z]
[:punct:]标点符号
[:upper:]同[A-Z]
[:space:]空白字符，可以是空格、水平制表符、换行、换页、回车
[:xdigit:]十六进制符同[a-fA-F0-9]
以下为引用的内容：
?php
header( Content-type: text/html; charset=utf-8
getinfo( http://rss.sina.com.cn/rollnews/news/gn_total.js ,1);
getinfo( http://rss.sina.com.cn/rollnews/news/gj_total.js ,2);
getinfo( http://rss.sina.com.cn/rollnews/news/sh_total.js ,3);
getinfo( http://rss.sina.com.cn/rollnews/sports/sports_total.js ,4);
getinfo( http://rss.sina.com.cn/rollnews/tech/tech1_total.js ,5);
getinfo( http://rss.sina.com.cn/rollnews/finance/finance1_news_total.js ,6);
getinfo( http://rss.sina.com.cn/rollnews/ent/ent_total.js ,7);
getinfo( http://rss.sina.com.cn/rollnews/jczs/jczs_total.js ,8);
function getinfo($infourl,$catid)
{
$pagecontent=getwebcontent($infourl);
preg_match_all( /title:/ (.*?)/ / , $pagecontent, $match);
$titlearr=$match[1];
preg_match_all( /link:/ (.*?)/ / , $pagecontent, $match);
$urlarr=$match[1];
for ($i=1;$i count($urlarr);$i++){
echo go {$titlearr[$i-1]}/n
$title=iconv( gbk , utf-8 ,$titlearr[$i-1]);
$content=iconv( gbk , utf-8 ,getnewscontent($urlarr[$i]));
$content=mysql_escape_string($content);
if(!insertdb($title,$content,$catid)) break;
}
}
function insertdb($title,$content,$catid){
将数据写入你的库
}
function getnewscontent($newsurl){
$newscontent=getwebcontent($newsurl);
preg_match_all( / div > $content=preg_replace( / a.*? //a /si , ,$match[1][0]);
$content=preg_replace( / div > $content=preg_replace( / div > $content=str_replace( div > return $content;
}
function getwebcontent($url){
$ch = curl_init();
$timeout = 10;
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1);
$contents = trim(curl_exec($ch));
curl_close($ch);
return $contents;
}
?
然后如何实现比较实时的同步呢，这可以利用windows下的任务计划或linux下的crontab 了，定时（比如十分钟）执行这个程序，这样，你就不再愁网站没有内容了，哈哈，另外本人开了个工作室www.beijingjianzhan.com（北京建站），我们开发了一个系统，不仅能够采集信息，而且能自动地进行再加工，进行伪原创，这样就更符合搜索引擎的品味了，让你的网站疯狂地被收录吧，另外可以加我的Q376504340讨论技术性话题。html教程

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

上一篇：phpwind推进中小网站生态链启动全国巡回会议

下一篇：php教程：php设计模式介绍之规范模式