php抓取页面与代码解析 推荐

在做一些天气预报或者RSS订阅的程序时，往往需要抓取非本地文件，一般情况下都是利用php模拟浏览器的访问，通过http请求访问url地址，然后得到html源代码或者xml数据。

得到数据我们不能直接输出，往往需要对内容进行提取，然后再进行格式化，以更加友好的方式显现出来。
下面先简单说一下本文的主要内容： 

一、 PHP抓取页面的主要方法： 

1. file()函数 
2. file_get_contents()函数 
3. fopen()->fread()->fclose()模式 
4.curl方式 
5. fsockopen()函数 socket模式 
6. 使用插件(如：http://sourceforge.net/projects/snoopy/) 

二、PHP解析html或xml代码主要方式： 

1. 正则表达式 
2. PHP DOMDocument对象 
3. 插件(如：PHP Simple HTML DOM Parser) 

如果你对以上内容已经很了解，以下内容可以飘过...... 

PHP抓取页面 

1. file()函数 

复制代码代码如下:

<?php  
$url='http://t.qq.com';  
$lines_array=file($url);  
$lines_string=implode('',$lines_array);  
echo htmlspecialchars($lines_string);  
?>  
 

2. file_get_contents()函数  
使用file_get_contents和fopen必须空间开启allow_url_fopen。方法：编辑php.ini，设置 allow_url_fopen = On，allow_url_fopen关闭时fopen和file_get_contents都不能打开远程文件。  

复制代码代码如下:

<?php  
$url='http://t.qq.com';  
$lines_string=file_get_contents($url);  
echo htmlspecialchars($lines_string);  
?>  
 

3. fopen()->fread()->fclose()模式  

复制代码代码如下:

<?php  
$url='http://t.qq.com';  
$handle=fopen($url,"rb");  
$lines_string="";  
do{  
$data=fread($handle,1024);  
if(strlen($data)==0){break;}  
$lines_string.=$data;  
}while(true);  
fclose($handle);  
echo htmlspecialchars($lines_string);  
?>  

4. curl方式  
使用curl必须空间开启curl。方法：windows下修改php.ini，将extension=php_curl.dll前面的分号去掉，而且需要拷贝ssleay32.dll和libeay32.dll到C:/WINDOWS/system32下；Linux下要安装curl扩展。  

复制代码代码如下:

<?php  
$url='http://t.qq.com';  
$ch=curl_init();  
$timeout=5;  
curl_setopt($ch, CURLOPT_URL, $url);  
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);  
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);  
$lines_string=curl_exec($ch);  
curl_close($ch);  
echo htmlspecialchars($lines_string);  
?>  

5. fsockopen()函数 socket模式  
socket模式能否正确执行，也跟服务器的设置有关系，具体可以通过phpinfo查看服务器开启了哪些通信协议，比如我的本地php socket没开启http，只能使用udp测试一下了。  

复制代码代码如下:

<?php  
$fp = fsockopen("udp://127.0.0.1", 13, $errno, $errstr);  
if (!$fp) {  
echo "ERROR: $errno - $errstr<br />/n";  
} else {  
fwrite($fp, "/n");  
echo fread($fp, 26);  
fclose($fp);  
}  
?>  

6. 插件  
网上应该有比较多的插件，snoopy插件是在网上搜到的，有兴趣的可以研究一下。  

PHP解析xml(html)  

1. 正则表达式：  

复制代码代码如下:

<?php  
$url='http://t.qq.com';  
$lines_string=file_get_contents($url);  
eregi('<title>(.*)</title>',$lines_string,$title);  
echo htmlspecialchars($title[0]);  
?>  

2. PHP DOMDocument()对象  
如果远程的html或xml存在语法错误，php在解析dom的时候会报错。  

复制代码代码如下:

<?php  
$url='http://www.136web.cn';  
$html=new DOMDocument();  
$html->loadHTMLFile($url);  
$title=$html->getElementsByTagName('title');  
echo $title->item(0)->nodeValue;  
?>  

3. 插件  
本文以PHP Simple HTML DOM Parser为例，进行简单介绍，simple_html_dom的语法类似jQuery，它让php操作dom，就像使用jQuery操作dom一样的简单。  

复制代码代码如下:

<?php  
$url='http://t.qq.com';  
include_once('../simplehtmldom/simple_html_dom.php');  
$html=file_get_html($url);  
$title=$html->find('title');  
echo $title[0]->plaintext;  
?>  

当然中国人是富有创造性的，老外往往会在技术上领先，但中国人往往会在使用上更胜一筹，往往做出一些让老外不敢想的功能，比如php的远程抓取与分析，本来是为数据的整合提供方便。但国人很喜欢这个，于是乎大量的采集站，它们本身不创造任何有价值的内容，就是靠抓取别人的网站内容，并把它据为己有。在百度里输入“php小”关键词，suggest列表第一个就是“php小偷程序”，然后把同样的关键词放入google，哥只能笑而不语。