PHPでデータ収集を実装する方法

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:

1. <?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
   $data=&#39;&#39;;  
   while (!feof($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。

1. //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

1. /**
    * 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 = &#39;/<li class="yk-col4 mr1">.+<\/li>/Us&#39;;  
   // 匹配img标签上的src和alt
   $img_preg = &#39;/<img class="quic lazy"  src="/static/imghwm/default1.png"  data-src="(.*)"   _  alt="(.*)" \/>/U&#39;;  
   //匹配电影的url
   $video_preg=&#39;/<a href="(.*)" title="(.*)" target="(.*)"><\/a>/U&#39;;  
   //把所有的li存到$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 $img[0].&#39;<a href="&#39;.$video[1].&#39;">&#39;.$video[2].&#39;</a>&#39;;  
   }

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：

1. $imgData = get($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：

php正则与数据采集详解

php 一个数据采集类实例代码

深入php数据采集的详解_PHP教程

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。