PHP 实现小偷程序

为什么使用“小偷程序”？ 远程抓取文章资讯或商品信息是很多企业要求程序员实现的功能，也就是俗说的 小偷程序 。其最主要的优点是：解决了公司网编繁重的工作，大大提高了效率。只需要一运行就能快速的抓取别人网站的信息。 “小偷程序”在哪里运行？ “小

为什么使用“小偷程序”？

        远程抓取文章资讯或商品信息是很多企业要求程序员实现的功能，也就是俗说的小偷程序。其最主要的优点是：解决了公司网编繁重的工作，大大提高了效率。只需要一运行就能快速的抓取别人网站的信息。

“小偷程序”在哪里运行？

        “小偷程序” 应该在 Windows 下的 DOS（参考文章：http://blog.csdn.net/liruxing1715/article/details/7079488） 或 Linux 下通过 PHP 命令运行为最佳，因为，网页运行会超时。

        比如图（Windows 下 DOS 为例）：

       

“小偷程序”的实现

        这里主要通过一个实例来讲解，我们来抓取下“华强电子网”的资讯信息，请先看观察这个链接 http://www.hqew.com/info-c10.html，当您打开这个页面的时候发现这个页面会发现一些现象：

        1、资讯列表有 500 页（2012-01-03）；

        2、每页的 url 链接都有规律，比如：第1页为http://www.hqew.com/info-c10-1.html；第2页为http://www.hqew.com/info-c10-2.html；……第500页为http://www.hqew.com/info-c10-500.html；

        3、由第二点就可以知道，“华强电子网” 的资讯是伪静态或者是生成的静态页面

        其实，基本上大部分的网站都有这样的规律，比如：中关村在线、慧聪网、新浪、淘宝……。

        这样，我们可以通过这样的思路来实现页面内容的抓取：

        1、先获取文章列表页内容；

        2、根据文章列表页内容循环获取文章的 url 地址；

        3、根据文章的 url 地址获取文章的详细内容

        这里，我们主要抓取资讯页里面的：标题（title）、发布如期（date）、作者（author）、来源（source）、内容（content）

“华强电子网”资讯抓取

        首先，先建数据表结构，如下所示：

CREATE TABLE `article`.`article` (
`id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY ,
`title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`date` VARCHAR( 50 ) NOT NULL ,
`author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`content` TEXT NOT NULL
) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci;

        抓取程序：

通过上面的程序，就可以实现抓取华强电子网的资讯信息。

入口方法 init($min, $max) 如果想抓取 1-500 页面内容，那么 init(1, 500) 即可！这样，用不了多长时间，华强电子网的资讯就会全部抓取到数据库里面了。^_^

执行界面：

数据库：