PHP實作資料擷取的三種方法

什麼叫採集？

就是使用PHP程序，把其他網站中的資訊抓取到我們自己的資料庫中、網站中。

PHP製作採集的技術：

#從底層的socket到高層的檔案運算函數，總共有3種方法可以實現採集。

1. 使用socket技術收集：

socket採集是最底層的，它只是建立了一個長連接，然後我們要自己建構http協定字串去發送請求。

例如要想取得這個頁面的內容，tv.youku.com/?spm=a2hww.20023042.topNav.5~1~3!2~ A，用socket寫如下：

<?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);
?>

列印出的結果如下，包含了傳回的頭資訊及頁面的原始碼：

 

2. 使用curl_一套函數

#curl把HTTP協定都封裝成了很多函數，直接傳對應參數即可，降低了編寫HTTP協定字串的難度。

前提：在php.ini中要開啟curl擴充。

//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);

列印出的結果如下，只包含頁面的原始碼：

3. 直接使用file_get_contents（最頂層的）

#」前提：在php.ini中設定允許開啟一個網路的url位址。

 

#

//使用file_get_contents()
$data=file_get_contents("http://www.youku.com");
var_dump($data);

#

/**
 * 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" _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;;
}

##3種方式的選擇

網路之間通訊主要使用的是以上三種。其中後兩種用的較多：

如果要批量採集大量的資料時使用第二種【CURL】，效能好、穩定。

偶爾發幾個請求發送的頻繁不密集時使用第三種。

擴充：圖片的防盜鏈如何破？

例如7060網站上的圖片做了防盜鏈：在他的網站中可以看到圖片，把圖片拿到站外就無法訪問。

 

原則：在HTTP協定中有一個referer項，代表發這個請求的來源位址，伺服器會判斷如果這個請求不是這個網站發來的就會過濾掉這個請求：

 

解決方法：發HTTP時自己模擬referer即可：

###### ################：有些要擷取資料時必須先登錄，可以使用模擬的試模擬在登錄狀態下的採集：######

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,

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 = &#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：

 $imgData = get($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。

 

以上是PHP實作資料擷取的三種方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！