PHP的curl_init采集网页数据 实例教程

01

<?php

02

// 1. 初始化

03	$ch = curl_init();

04

05	// 2. 设置选项，包括URL

06	curl_setopt($ch, CURLOPT_URL, "http://blog.snsgou.com");

07	curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

08	curl_setopt($ch, CURLOPT_HEADER, 0);

09

10	// 3. 执行并获取HTML文档内容

11	$output = curl_exec($ch);

12

13	// 4. 释放curl句柄

14	curl_close($ch);

15

?>

curl_setopt中的 CURLOPT_URL, CURLOPT_RETURNTRANSFER 等参数，请参考php文档手册,里面有详细说明！
现在得到$output内容…使用正则表达式匹配出你需要的内容。

 

---

 

01

<?php

02

/**

03

* 采集类

04

*/

05	class Gather {

06

07	public $pagestring = '';

08	private $db;

09

10	function __construct() {

11	global $db;

12	$this->db = $db;

13

}

14

15	function getUrlFile($url) {

16	$url = trim($url);

17	$content = '';

18	if (extension_loaded('curl')) {

19	$ch = curl_init();

20	curl_setopt($ch, CURLOPT_URL, $url);

21	curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

22	curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);

23	curl_setopt($ch, CURLOPT_HEADER, 0);

24	$content = curl_exec($ch);

25	curl_close($ch);

26

} else {

27	$content = file_get_contents($url);

28

}

29	return trim($content);

30

}

31

32	function get_all_url($code) {

33	preg_match_all('/<a.+?href=["|\']?([^>"\' ]+)["|\']?\s*[^>]*>([^>]+)<\/a>/is', $code, $arr);

34	return array('name' => $arr[2], 'url' => $arr[1]);

35

}

36

37	function get_sub_content($str, $start, $end) {

38	$start = trim($start);

39	$end = trim($end);

40	if ($start == '' || $end == '') {

41	return $str;

42

}

43	$str = explode($start, $str);

44	$str = explode($end, $str[1]);

45	return $str[0];

46

}

47

48	function vd($var) {

49	echo "<div style=\"border:1px solid #ddd;background:#F7F7F7;padding:5px 10px;\">\r\n";

50	echo "<pre style=\"font-family:Arial,Vrinda;font-size:14px;\">\r\n";

51	var_dump($var);

52	echo "\r\n</pre>\r\n";

53	echo "</div>";

54

}

55

56

}

57

58

?>

 

view source

?

01

<?php

02	define('ROOT_PATH', str_replace('\\', '/', dirname(__FILE__)));

03	//include ROOT_PATH."/Gather.class.php";

04	set_time_limit(0);

05	header("Content-type: text/html; charset=gb2312");

06

//目标网址

07	$url = 'http://news.163.com/special/00013C0O/guojibjtj_03.html';

08

//实例化采集机器

09	$gather = new Gather();

10	//获取目标网址HTML

11	$html = $gather->getUrlFile($url);

12	//定义采集列表区间

13	$start = '<div class="bd clearfix">';

14	$end = '<div class="pages-1 mt25">';

15	//获取区间内的文章URL和TITLE

16	$code = $gather->get_sub_content($html, $start, $end);

17	$newsAry = $gather->get_all_url($code);

18

//打印出结果

19	$gather->vd($newsAry);

20

21	$tarGetUrl = $newsAry['url'][0];

22	//获取目标网址HTML

23	$html = $gather->getUrlFile($tarGetUrl);

24	//定义采集列表区间

25	$start = '<div id="endText">';

26	$end = '<span class="cDGray right" style="white-space:nowrap;">';

27	//获取区间内的文章URL和TITLE

28	$code = $gather->get_sub_content($html, $start, $end);

29	$killHtml = '<iframe src="http://g.163.com/r?site=netease&affiliate=news&cat=article&type=tvscreen200x300&location=1" width="200" height="300" frameborder="no" border="0" marginwidth="0" marginheight="0" scrolling="no"></iframe>';

30	$killHtml2 = '<a href="http://news.163.com/"><img src="http://img1.cache.netease.com/cnews/img07/end_i.gif" alt="netease" width="12" height="11" border="0" class="icon" /></a>';

31	$code = str_replace($killHtml, "", $code);

32	$code = str_replace($killHtml2, "", $code);

33	$gather->vd($code);

34

?>