Home >Backend Development >PHP Tutorial >php使用curl和正则表达式抓取网页数据示例_PHP
php使用curl和正则表达式抓取网页数据示例_PHP
- WBOYOriginal
- 2016-06-01 11:54:401003browse
正则表达式
利用curl和正则表达式做的一个针对磨铁中文网非vip章节的小说抓取器，支持输入小说ID下载小说。
依赖项：curl
可以简单的看下，里面用到了curl ,正则表达式，ajax等技术，适合新手看看。在本地测试，必须保证联网并且确保php开启curl的mode
SpiderTools.class.php
复制代码 代码如下:
session_start();
//封装成类 开启这些自动抓取文章
#header("Refresh:30;http://www.test.com:8080");
class SpiderTools{
//////////////////////////////////////////////////////////////////////////////////////////////////////////
/*传入文章ID 解析出文章标题*/
//////////////////////////////////////////////////////////////////////////////////////////////////////////
public function getBookNameById($aid){
//初始化curl
$ch= curl_init();
//url
$url='http://www.motie.com/book/'.$aid;
if(is_numeric($aid)){
//正则表达式匹配
$ru="/
\s*(.*)\s*\s*/";
}
else{
//丧尸爆发之全家求生路_第一章 丧尸爆发 为吾友爱乐儿更新~_磨铁
$ru="/(.*)/";<br> }<br> //设置选项，包括URL<br> curl_setopt($ch, CURLOPT_URL, $url);<br> curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//不自动输出内容<br> curl_setopt($ch, CURLOPT_HEADER, 0);//不返回头部信息<br> curl_setopt($ch, CURLOPT_CONNECTTIMEOUT_MS, 0); <br> //执行curl<br> $output = curl_exec($ch);<br> //错误提示<br> if(curl_exec($ch) === false){<br> die(curl_error($ch));<br> }<br> // 检查是否有错误发生<br> if(curl_errno($ch)){<br> echo 'Curl error: ' . curl_error($ch);<br> }<br> //释放curl句柄<br> curl_close($ch);<br> $arr=array();<br> preg_match_all($ru,$output,$arr);<br> return $arr[1][0];<br> }<br> ////////////////////////////////////////////////////////////////////////////////////////////////////////// <br> /*传入文章ID 解析文章内容*/<br> //////////////////////////////////////////////////////////////////////////////////////////////////////////<br> public function getBookContextById($aid){<br> //开始解析文章<br> $ids=array();<br> $ids=explode("_",$aid);<br> $titleId=trim($ids[0]);<br> $aticleId=trim($ids[1]);<br> $ch= curl_init();<br> $ru="/<div class='\"page-content\"'>[\s\S]*<pre ondragstart='\"return' false oncopy='\"return' oncut='\"return' oncontextmenu='\"return' class='\"note\"' id='\"html_content_\d*\"'>[\s\S]*(.*)<img src="%5C%22%5C/ajax%5C/chapter%5C/%24titleId%5C/%24aticleId%5C%22" class='\"hidden\"' alt="php使用curl和正则表达式抓取网页数据示例_PHP" >/ui"; <br> $url='http://www.motie.com/book/'.$aid;<br> //正则表达式匹配
<p> //设置选项，包括URL<br> curl_setopt($ch, CURLOPT_URL, $url);<br> curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//不自动输出内容<br> curl_setopt($ch, CURLOPT_HEADER, 0);//不返回头部信息<br> curl_setopt($ch, CURLOPT_CONNECTTIMEOUT_MS, 0); <br> //执行curl<br> $output = curl_exec($ch);<br> //错误提示<br> if(curl_exec($ch) === false){<br> die(curl_error($ch));<br> }<br> // 检查是否有错误发生<br> if(curl_errno($ch)){<br> echo 'Curl error: ' . curl_error($ch);<br> }<br> $arr=array();<br> $arr2=array();<br> preg_match_all($ru,$output,$arr);<br> curl_close($ch);<br> #var_dump($arr);<br> $s=$arr[0][0];<br> $s=substr($s,180);<br> $arr2=explode("<img alt="php使用curl和正则表达式抓取网页数据示例_PHP" > return trim($arr2[0]);<br> }</p>
<p> ////////////////////////////////////////////////////////////////////////////////////////////////////////// <br> /*静态方法 @生成小说文件 可以直接调用 */<br> //////////////////////////////////////////////////////////////////////////////////////////////////////////<br> public static function createBookById($id){<br><br> if(!is_numeric($id)){</p>
<p> echo "<br>INIT BEGIN START WRITE!";<br> $st=new self();<br> $cons=$st->getBookContextById($id);<br> $title=$st->getBookNameById($id);<br> $cons=trim($cons);<br> $t=explode(" ",$title);<br> //构造目录<br> $dir=array();<br> $dir=explode("_",$t[0]);<br> $wzdir=$dir[0]; //书名称 作为目录名称<br> $wzchapter=$dir[1]; //第几章<br> //创建目录<br> $wzdir2=iconv("UTF-8", "GBK", $wzdir);//目录编码 注意这里保留对$wzdir字符串的引用，用来构造文件名，不能用此处，防止二次编码<br> if(!file_exists($wzdir2)){<br> mkdir($wzdir2); //创建目录<br> }<br> //构造文件名<br> $wztitle="./".$wzdir."/"."$t[0]".".txt";<br> //保证保存的文件名称不是乱码<br> $wztitle=iconv("UTF-8", "GBK", $wztitle);<br> $f=fopen($wztitle,"w+");<br> fwrite($f,$cons);<br> echo "<font color="green">$wzdir </font>".$wzchapter."<font color="red">写入成功</font>";<br> fclose($f); <br><br> } <br> else{<br> $ids=self::getBookIdsById($id); <br><br> //这里服务器可能会掉线，所以最好用session记录循环<br> #for($i=$_SESSION["$id"."_fid"];$i<br> #self::createBookById($id."_".$ids[$_SESSION["$id"."_fid"]++]);//构造id<br> #}<br><br> for($i=$_SESSION["$id"."_fid"];$i<br> self::createBookById($id."_".$ids[$i]);//构造id<br> }<br><br> #echo "</p><hr><hr><br><h1>写入工作全部完成</h1>";<br> #echo $id."_".$ids[0]."<br>"; <br> #var_dump($ids);<br><br> }
<p><br> }<br> /*<br> 获取小说的所有ID<br> @param $id 文章ID<br> @return array;<br> */<br> public static function getBookIdsById($aid){ <br> $ch= curl_init();<br> $url='http://www.motie.com/book/'.$aid."/chapter";<br> //注意这里的?可以获取最少匹配项<br> $ru='/[\s\S]*?</p></pre>
<li class='\"\"' createdate='\"\d{4}\-\d{2}\-\d{2}'>[\s\S]*?<a href="%5C%22%5C/book%5C/'.%24aid.'_(%5Cd*?)%5C%22%5Cs%7B1%7D">.*?.*?/u';//正则表达式匹配<br> //设置选项，包括URL<br> curl_setopt($ch, CURLOPT_URL, $url);<br> curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//不自动输出内容<br> curl_setopt($ch, CURLOPT_HEADER, 0);//不返回头部信息<br> curl_setopt($ch, CURLOPT_CONNECTTIMEOUT_MS, 0); <br> //执行curl<br> $output = curl_exec($ch);<br> // 检查是否有错误发生<br> if(curl_errno($ch)){<br> echo 'Curl error: ' . curl_error($ch);<br> }<br> //释放curl句柄<br> curl_close($ch);<br> $arr=array();<br> preg_match_all($ru,$output,$arr,PREG_PATTERN_ORDER);<br> return $arr[1];<br> }<br>}<br>?><br>
<p>getinfo.php<br><u>复制代码</u> 代码如下:<br><?php <BR> session_start();<br>require_once("SpiderTools.class.php");<br>if($_REQUEST["bid"]){<br>if(is_numeric($_REQUEST["bid"])){<br> SpiderTools::createBookById(trim($_REQUEST["bid"]));<br> }<br> else{<br> echo "<br>请输入正确的文章ID<br>";<br> }<br>}<br>?><br></p>
<p>index.html<br><u>复制代码</u> 代码如下:<br><br></p>
<meta charset="utf-8">
<br><title>下载小说啦
输入磨铁中文网你想看到的小说ID号就可以下载小说啦
function stateChanged()
{
if(xmlHttp.readyState==1){
document.getElementById("info").innerHTML="正在准备工作，请耐心点哦~^_^~
";
}
if(xmlHttp.readyState==2){
document.getElementById("info").innerHTML="正在联系服务器，这可能需要一点时间啦^>
";
}
if(xmlHttp.readyState==3){
document.getElementById("info").innerHTML="正在解析数据
";
}
if (xmlHttp.readyState==4 || xmlHttp.readyState=="complete")
{
document.getElementById("info").innerHTML=xmlHttp.responseText;
//xmlHttp.abort();
}
}
function GetXmlHttpObject()
{
var xmlHttp=null;
try
{
// Firefox, Opera 8.0+, Safari
xmlHttp=new XMLHttpRequest();
}
catch (e)
{
//Internet Explorer
try
{
xmlHttp=new ActiveXObject("Msxml2.XMLHTTP");
}
catch (e)
{
xmlHttp=new ActiveXObject("Microsoft.XMLHTTP");
}
}
return xmlHttp;
}
{
if(xmlHttp.readyState==1){
";
}
if(xmlHttp.readyState==2){
"; }
";
}
{
document.getElementById("info").innerHTML=xmlHttp.responseText;
//xmlHttp.abort();
}
{
var xmlHttp=null;
try
{
// Firefox, Opera 8.0+, Safari
xmlHttp=new XMLHttpRequest();
}
catch (e)
{
//Internet Explorer
try
{
xmlHttp=new ActiveXObject("Msxml2.XMLHTTP");
}
catch (e)
{
xmlHttp=new ActiveXObject("Microsoft.XMLHTTP");
}
}
return xmlHttp;
}