ホームページ  >  記事  >  バックエンド開発  >  PHPでデータ収集を実装する方法

PHPでデータ収集を実装する方法

小云云
小云云オリジナル
2018-03-21 16:27:202260ブラウズ

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=&#39;http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html&#39;;  
    $data=get($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" _src="(.*)" 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(&#39;./youkuimg/&#39;) ? &#39;&#39;: mkdir(&#39;./youkuimg/&#39;);  
    file_put_contents(&#39;./youkuimg/&#39;.mb_convert_encoding($img[3], &#39;gbk&#39;, &#39;utf-8&#39;).&#39;.jpg&#39;, $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。

声明:
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。