PHP 编程获取网站的 Alexa 排名

现在大多数提供网站排名的网站,其数据都是取自于 Alexa 发布的数据。但是 Alexa 的网站排名数据并不能简单、直接地得到,这是因为 Alexa 使用了干扰码技术,使得编程变得困难和繁琐。

但是从理论上讲,只要能在页面上看到的信息,除过图片识别现在还是个顶尖技术以外,文字信息都可能通过抓取页面得到源文件,再进行分析而得到具体的数据。

我们先分析一下“电脑学习网” http://www.why100000.comhttp://www.alexa.com 查询排名时得到的数据:在 http://www.alexa.com 页面输入网址 http://www.why100000.com,点击按钮“Get traffic Detail”。页面下载完毕后,查看源文件,搜索字符串“traffic rank”(搜索“Why100000.com has a traffic rank”可能找不到,因为单词之间有多个空格,无法匹配),找到排名数据的附近,往后看,可以看到以下类似的字符串:

<!--Did you know? Alexa offers this data programmatically. Visit http://aws.amazon.com/awis for more information about the Alexa Web Information Service.--><span class="ca53">61</span>5<span class="c34d">57</span>,<span class="c8a7">78</span><span class="c1db">35</span>4</span><!-- google_ad_section_end(name=default) -->

之所以强调“类似”,是因为每次看到的信息一般都不完全相同,Alexa说了,是“programmatically”产生的这些数据,已经通过编程对真实数据进行了干扰,虽然在页面上眼睛看到的是数字字串“557354”,但是即使在页面上“选择-复制-粘贴”,得到的却是字符串“61557,78354”(每次重新查询后差不多都是不相同的)。从上面的代码中也可以看到“61557,78354”的信息。

但是,如果仔细观察,就会看到,真正的排名数据“557354”是包含在“61557,78354”字符串中的,而实际上,它 “总是”包含在这个变化的字符串中的,多试几次就会看到!多试几次还会看到,真正的排名字符有时没有包含在<span class="xxxx">61</span>中,这让我们想到,干扰字符是通过包含在<span class="xxxx">……</span>中,使用class引用样式表“xxxx”来使其在页面隐含的。但是,有时排名真实数据的数字也包含在<span class="yyyy">……</span>中,那么该样式表应该不设置该字符(串)隐含。--这就是干扰算法的思想:在真实数据中插入页面上看不到的数字,不影响人眼观看,但对程序分析造成干扰,而且对部分可见字符有的也加上<span>…</span>标签,更进一步增加了程序分析的复杂度。

但是,既然浏览器看到了信息,其秘密应该就包含在源文件之中,而且一般和 Javascript、CSS 引用都可能有关系。按照这个思路,我们把源文件相关的Javascript 脚本、CSS 脚本都下载下来进行分析。

而秘密其实就包含在 http://client.alexa.com/common/css/scramble.css 样式表文件中。打开该文件,可以看到以下 189 个 CSS 类的定义:

.c11e { display: none } .c125 { display: none } .c12d { display: none } …… …… .cfe9 { display: none }

混淆字符串中以<span class=”xxxx”>……<span>包含的“xxxx”都是在这里定义的!真实字符<span class=”yyyy”>……<span>的样式yyyy可能是随机产生的,但肯定不会和这189个定义相同。

到此真相大白。我们可以通过编写程序来获得该真实排名数据了。

我们可以编写桌面程序,比如用 Delphi、C# 等编写Windows桌面程序,这个需要用到 Internet Browser 组件,来获取 http://www.alexa.com/data/details/traffic_details/why100000.com 的页面源文件,然后进行分析,最终保存到数据库中。

也可以在网页中通过Javascript脚本操作页面文档来获取该数据。这个需要对javascript很熟悉。但要把数据保存到后台数据库中,一般需要手工打开页面来操作。

也可以通过网站后台编程来实现,需要后台编程语言有后台获取网页源文件的能力,这个用Java、ASP.NET、PHP等语言都能实现。

以上所有编程过程,都需要编程语言或脚本有很强的字符串分析和处理能力,常见的就是使用正则表达式,一般流行的语言都支持。

我选用现在很流行的 Web 编程语言 PHP 来实现。

编程过程简述:

观察源文件,发现段落: <!--Did you know? Alexa offers this data programmatically. Visit http://aws.amazon.com/awis for more information about the Alexa Web Information Service.--> 在源文件中是第一次出现的。排名信息就包含在它与 <!-- google_ad_section_end(name=default) --> 之间。这为编程提供了便利。我们可以根据这个特征首先把最有用的信息挖出来,以缩小范围,为精细编程提供基础。这个是用getBody()函数实现的,实际采用的特征字符串是“Information Service.-->”和“<!-- google_ad_section_end(name=default) -->”,抽取它们之间的字符串即可。

getAlexaRank是主函数。其他函数通过获取<span class=”zzzz”>……<span>中的样式表“zzzz”并存入数组,通过对数组的遍历,判断核心数据块内在数字(串)是该删除还是保留,最终产生出真实的数据。程序中充分发挥了PHP正则表达式和字符串处理函数的极大威力,使其比ASP等脚本代码短得多。

在Alexa查询结果中还有其他大量的数据可能也用得到,也可以通过本编程思想来设计和编写程序代码。比如抽取访问某站点的全球用户的比例,一周内的平均值,可以参考以下部位的代码:

Percent of global Internet users who visit this site <td><!--Did you know? Alexa offers this data programmatically. Visit http://aws.amazon.com/awis for more information about the Alexa Web Information Service.--> <span class="cded">10</span>0<span class="cd83">.0</span>00<span class="cd81">18</span>% </td>

方法还是寻找段落特征,取出<span>部分的精细信息,再进行深入分析得到数据。

用该文的方法也可以编写网页信息采集程序,包括新闻、博客等等互联网上的大量文章。

但是,如果Alexa下次再修改算法,该方法就会失效了。

附件:

Index.php文件:

<form name="alexaform" method="post" action="get_alexa.php"> 输入网址:<input type="text" name="url" value="http://www.why100000.com" size=40> &nbsp;<input type="submit" value="查 询"> </form>

get_alexa.php文件:

<?php //PHP版本要求:PHP 4.4.7 //支持原创,请保留该处注释: //作者:张庆(网眼)陕西-西安 //网站地址: //电脑学习网:http://www.why100000.com //《博客》:http://blog.why100000.com //《问吧!》http://ask.why100000.com //演示地址:http://www.why100000.com/test/alexa/alexa.php

$url = $_POST['url'];

if($url!="") { echo "您的网站 ". $url ." 在 ALEXA 的排名为:<br>"; $rank = getAlexaRank($url); echo '[' . $rank .']'; }

function getAlexaRank($weburl) { $weburl = strtolower($weburl); $tempurl = getDomainUrl($weburl); //读取http://client.alexa.com/common/css/scramble.css中的数据 $strAlexaCss = file_get_contents('http://client.alexa.com/common/css/scramble.css'); $alexaRankQueryUrl = 'http://www.alexa.com/data/details/traffic_details/' . $tempurl; $strAlexaContent = file_get_contents($alexaRankQueryUrl); $rankContent = getBody($strAlexaContent, 'Information Service.-->', '<!-- google_ad_section_end(name=default) -->'); echo '<xmp>'; echo $rankContent; echo '</xmp>'; $arrSpanClass = getArray($rankContent, '<span class="', '">'); echo '<xmp>'; print_r($arrSpanClass); echo '</xmp>'; foreach($arrSpanClass as $css) { //global $rankContent; if (strpos($strAlexaCss, '.' . $css)>0) { echo $css .'(h)'; $rankContent = ScriptHtml($rankContent, "span", 2, $css); } else { echo $css .'(s)'; $rankContent = ScriptHtml($rankContent, "span", 1, $css); } echo '<xmp>'; echo $rankContent; echo '</xmp>'; } $rankContent = str_replace('</span>', '', $rankContent); $rankContent = str_replace(',', '', $rankContent); return $rankContent; }

function getBody($ContentStr, $StartStr, $EndStr) { $ContentStr = strtolower($ContentStr); $StartStr = strtolower($StartStr); $EndStr = strtolower($EndStr); $StartPos = strpos($ContentStr, $StartStr); $EndPos = strpos($ContentStr, $EndStr); return substr($ContentStr, $StartPos+strlen($StartStr), $EndPos-$StartPos-strlen($StartStr)); }

//由于代码太长,以下代码省略,需要的发邮件到 zhangking2008@gmail.com 索取 //请在邮件标题注明“索取Alexa排名PHP代码” //…… ?>

张庆(网眼) 网眼视界:http://blog.why100000.com 2008-6-9

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页