3種PHP實現資料擷取的方法

什麼叫採集？就是使用PHP程序，把其他網站的資訊抓取到我們自己的資料庫中、網站中。本文主要和大家分享的是3種PHP實現資料收集的方法，希望能幫助大家。

PHP製作採集的技術：

從底層的socket到高層的檔案操作函數，一共有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。

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);  
   ?>

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，直接傳送對應參數即可，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。

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);

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。

 

[php] view plain copy

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

#3種方式的選擇

網路之間通訊主要使用的是上述三種。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：

 

# 擴充功能：有些要擷取資料時必須先登錄，可以使用模擬的試模擬登入狀態下的採集：

a. 先用瀏覽登入一下，登入完，瀏覽器的COOKIE中就會有SESSIONID

b . 發PHP發HTTP協定時，把瀏覽器中的SESSIONID放到PHP的HTTP協定請求裡，這樣就在以登入的狀態發請求。

總結：所有客戶端發過來的資料都可以被模擬，所以伺服器上的程式必須要必要的地方過濾客戶端的資料。

什麼時候用以上東西？介面開發時、採集時。

二、資料收集

例如我要收集這個url裡的所有美國電影的資訊,

#則先要知道電影所在的節點的結構，我們使用firebug來查看。

 

然後開始寫入程式碼：完整程式碼如下

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获取(curl) 带有cookie的网页数据采集方法

php 一个数据采集类实例代码

PHP实现数据采集的三种方法

以上是3種PHP實現資料擷取的方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！