収集とは、PHP プログラムを使用して他の Web サイトから情報を独自のデータベースと Web サイトに取り込むことです。この記事では主に PHP でのデータ収集方法を紹介し、皆様のお役に立てれば幸いです。
PHPの生成と収集技術:
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。
たとえば、このページのコンテンツを取得したい場合は、http://tv.youku.com/?spm=a2hww.20023042.topNav.5~1~3!2~Aを使用します。ソケットに次のように書き込みます:
<?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:
2 のcurl_aセットを使用します。 HTTP プロトコルを変換する関数
curl これらはすべて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ー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);
出力される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 を直接使用します (最上位)
前提条件: php.ini ネットワークを開くためのURLアドレスを設定します。
//使用file_get_contents() $data=file_get_contents("http://www.youku.com"); var_dump($data);
3つの方法から選択
上記の3つは主にネットワーク間の通信に使用されます。このうち、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したい場合は、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。
拡張: 写真の盗難防止リンクを解除するにはどうすればよいですか?
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 サイトで見ることができますが、サイトの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 を送信するときに自分でリファラーをシミュレートするだけです:
扩展:有些要采集数据时时必须先登录,可以使用模拟的试模拟在登录状态下的采集:
a. 先用浏览登录一下,登录完,浏览器的COOKIE中就会有SESSIONID
b. 发PHP发HTTP协议时,把浏览器中的SESSIONID放到PHP的HTTP协议请求里,这样就在以登录的状态发请求。
总结:所有客户端发过来的数据都可以被模拟,所以服务器上的程序必须要必要的地方过滤客户端的数据。
什么时候用以上东西?接口开发时、采集时。
二、数据采集
例如我要采集这个url里的所有美国电影的信息,
http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html
则先要知道电影所在的节点的结构,我们使用firebug查看。
然后开始写代码:完整代码如下
/** * 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。