ホームページ >バックエンド開発 >PHPチュートリアル >PHP でデータ収集を実装する 3 つの方法
PHP の生成および収集テクノロジ:
基盤となるソケットから高レベルのファイル操作関数まで、収集を実現するには合計 3 つの方法があります。
1. ソケットテクノロジーを使用したコレクション:
ソケットコレクションは長い接続を確立するだけであり、その後、リクエストを送信するために http プロトコル文字列を構築する必要があります。
<?php //连接,$error错误编号,$errstr错误的字符串,30s是连接超时时间 $fp=fsockopen("www.youku.com",80,$errno,$errstr,30); if(!$fp) die("连接失败".$errstr); //构造http协议字符串,因为socket编程是最底层的,它还没有使用http协议 $http="GET /?spm=a2hww.20023042.topNav.5~1~3!2~A HTTP/1.1\r\n"; // \r\n表示前面的是一个命令 $http.="Host:www.youku.com\r\n"; //请求的主机 $http.="Connection:close\r\n\r\n"; // 连接关闭,最后一行要两个\r\n //发送这个字符串到服务器 fwrite($fp,$http,strlen($http)); //接收服务器返回的数据 $data=''; while (!feof($fp)) { $data.=fread($fp,4096); //fread读取返回的数据,一次读取4096字节 } //关闭连接 fclose($fp); var_dump($data); ?>
返されたヘッダー情報とページのソースコードを含む出力結果は次のとおりです。 HTTP を変換する プロトコルは多くの関数にカプセル化されており、対応するパラメータを直接渡すことができるため、HTTP プロトコル文字列を記述する難しさが軽減されます。
前提条件:curl 拡張機能が php.ini で有効になっている必要があります。
//生成一个curl对象 $curl=curl_init(); //设置URL和相应的选项 curl_setopt($curl, CURLOPT_URL, "http://www.youku.com"); curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1); //将curl_exec()获取的信息以字符串返回,而不是直接输出。 //执行curl操作 $data=curl_exec($curl); var_dump($data);
印刷結果は次のとおりです。これにはページのソース コードのみが含まれます:
3. file_get_contents (最上位) を直接使用します。 前提条件: 設定します。 php.ini 内 ネットワーク URL アドレスを開くことができます。
[php] view plain copy
//使用file_get_contents()
$data=file_get_contents("http://www.youku.com");
var_dump($data);
ネットワーク間の通信には主に3つの方法が使われます 上記の3つです。後者の 2 つは、より一般的に使用されます。大量のデータをバッチで収集する場合は、パフォーマンスと安定性に優れた 2 番目の [CURL] を使用します。
頻繁ではないが時々いくつかのリクエストを送信する場合は、3 番目のオプションを使用します。
たとえば、7060 の Web サイト上の写真はホットリンクから保護されています。写真は彼の Web サイト上で見ることができますが、サイト外からはアクセスできません。
原則: HTTP プロトコルにはリクエストの送信元アドレスを表すリファラー項目があり、サーバーはリクエストがこの Web サイトからのものではないと判断し、リクエストを除外します。 :
解決策: HTTP を送信するときにリファラーを自分でシミュレートするだけです:
拡張機能: 最初にログインする必要があるときに一部のデータを収集する必要があります。シミュレートされたトライアルを使用できます。ログイン状態でコレクションをシミュレートします:
a. まずブラウザを使用してログインします。ログイン後、HTTP プロトコルを送信するときに、ブラウザの COOKIE に SESSIONID が表示されます。 PHPのリクエストでは、ブラウザのSESSIONIDをPHPのHTTPプロトコルに入れると、ログイン状態でリクエストが送信されます。
概要: クライアントから送信されたすべてのデータはシミュレートできるため、サーバー上のプログラムは必要に応じてクライアント データをフィルターする必要があります。
上記のものはいつ使用すればよいですか?インターフェイスの開発および収集中。
2. データ収集
たとえば、この URL 内のすべてのアメリカ映画に関する情報を収集したい場合、
まず、映画が配置されているノードの構造を知る必要があります。 Firebug を使用して表示します。
その後、コードを書き始めます: 完全なコードは次のとおりです
/** * 发一个GET请求获取数据 */ function get($url) { global $curl; // 配置curl中的http协议->可配置的荐可以查PHP手册中的curl_ curl_setopt($curl, CURLOPT_URL, $url); curl_setopt($curl, CURLOPT_RETURNTRANSFER, TRUE); curl_setopt($curl, CURLOPT_HEADER, FALSE); // 执行这个请求 return curl_exec($curl); } // 生成一个curl对象 $curl = curl_init(); $url='http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html'; $data=get($url); // 匹配电影所在位置 $list_preg = '/<li class="yk-col4 mr1">.+<\/li>/Us'; // 匹配img标签上的src和alt $img_preg = '/<img class="quic" _src="(.*)" src="(.*)" alt="(.*)" \/>/U'; //匹配电影的url $video_preg='/<a href="(.*)" title="(.*)" target="(.*)"><\/a>/U'; //把所有的li存到$list里,$list是个二维数组 preg_match_all($list_preg,$data,$list); //var_dump($list); foreach ($list[0] as $k => $v) { //这里$v就是每一个li标签 /* 获取图片及电影名称 preg_match($img_preg,$v,$img); //把匹配到的图片的信息存到$img里 var_dump($img); */ /*获取电影地址 preg_match($video_preg,$v,$video); //把匹配到的电影的信息存到$video里 var_dump($video); */ preg_match($img_preg,$v,$img); preg_match($video_preg,$v,$video); echo $img[0].'<a href="'.$video[1].'">'.$video[2].'</a>'; }
测试:
打印$list;
打印$img
打印$video
最终效果:
如果需要把图片拷贝到硬盘上,则在foreach循环里加上以下代码:
$imgData = get($img[1]); // 把图片文件写到硬盘上【下载】 // 因为操作系统是GBK的,所以要把UTF8转成GBK is_dir('./youkuimg/') ? '': mkdir('./youkuimg/'); file_put_contents('./youkuimg/'.mb_convert_encoding($img[3], 'gbk', 'utf-8').'.jpg', $imgData);
效果如下:在当前目录下的youkuimg目录下就会有下载好的图片。
相关推荐:
以上がPHP でデータ収集を実装する 3 つの方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。