• 技术文章 >后端开发 >php教程

    掌握PHP 爬取网页的主要方法

    coldplay.xixicoldplay.xixi2020-08-01 16:44:55转载525

    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;

    推荐相关学习:php图文教程

    以上就是掌握PHP 爬取网页的主要方法的详细内容,更多请关注php中文网其它相关文章!

    本文转载于:jb51,如有侵犯,请联系a@php.cn删除
    专题推荐:PHP 爬取网页
    上一篇:详解php实现网页上一页下一页翻页过程 下一篇:php设计模式:桥接模式学习心得(附案例代码)
    第12期线上周末培训班

    相关文章推荐

    • 浅谈Python爬取网页的编码处理• 使用PHP如何爬取网页• PHP如何实现爬取网页的功能• Python如何爬取网页中js添加的内容 (代码)

    全部评论我要评论

  • 取消发布评论发送
  • 1/1

    PHP中文网