首页 > 语言 > PHP > 正文

PHP 爬取网页的主要方法

2024-05-05 00:04:36
字体:
来源:转载
供稿:网友

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。

<?phpheader("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;

总结

以上所述是小编给大家介绍的PHP 爬取网页的主要方法,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对VeVb武林网网站的支持!


注:相关教程知识阅读请移步到PHP教程频道。
发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表

图片精选