PHP抓取页面的几种方式

我们在开发网络程序时，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。

下面简单说一下php抓取页面的几种方法及原理:

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. file()函数 

[php] view plain copy print ?

1. //定义url  
2. $url='http://www.zhosoft.com';　  
3. //fiel函数读取内容数组  
4. $lines_array=file($url);　  
5. //拆分数组为字符串　  
6. $lines_string=implode('',$lines_array);　  
7. //输出内容，嘿嘿，大家也可以保存在自己的服务器上  
8. echo $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。

?

[php] view plain copy print ?

1. //定义url  
2. $url='http://www.zhosoft.com';  
3.  //file_get_contents函数远程读取数据  
4. $lines_string=file_get_contents($url);  
5.  //输出内容，嘿嘿，大家也可以保存在自己的服务器上  
6. echo htmlspecialchars($lines_string);  

3. fopen()->fread()->fclose()模式

?

[php] view plain copy print ?

1. //定义url  
2. $url='http://www.zhosoft.com';  
3.  //fopen以二进制方式打开    
4. $handle=fopen($url,"rb");  
5. //变量初始化  
6. $lines_string="";  
7. //循环读取数据  
8. do{      
9.     $data=fread($handle,1024);      
10.     if(strlen($data)==0) {   
11.         break;     
12.     }      
13. $lines_string.=$data;  
14. }while(true);  
15. //关闭fopen句柄，释放资源  
16. fclose($handle);  
17.  //输出内容，嘿嘿，大家也可以保存在自己的服务器上  
18. echo $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。 

[php] view plain copy print ?

1. // 创建一个新cURL资源  
2. $url='http://www.zhosoft.com';   
3. $ch=curl_init();   
4. $timeout=5;   
5. // 设置URL和相应的选项  
6. curl_setopt($ch, CURLOPT_URL, $url);  
7. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);  
8. curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);  
9. // 抓取URL  
10. $lines_string=curl_exec($ch);   
11. // 关闭cURL资源，并且释放系统资源  
12. curl_close($ch);  
13. //输出内容，嘿嘿，大家也可以保存在自己的服务器上  
14. echo $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。

[php] view plain copy print ?

1. $fp =fsockopen("www.zhosoft.com", 80, $errno,$errstr, 30);  
2. if (!$fp) {  
3.     echo "$errstr ($errno)<br />\n";  
4. }else {  
5.     $out ="GET / HTTP/1.1\r\n";  
6.     $out .="Host: www.zhosoft.com\r\n";  
7.     $out .="Connection: Close\r\n\r\n";  
8.     fwrite($fp,$out);  
9.     while (!feof($fp)) {  
10.         echo fgets($fp, 128);  
11.     }  
12.     fclose($fp);  
13. }  

?

6. snoopy插件，最新版本是Snoopy-1.2.4.zip Last Update: 2013-05-30，推荐大家使用

使用网上非常流行的snoopy来进行采集，这是一个非常强大的采集插件，并且它的使用非常方便，你也可以在里面设置agent来模拟浏览器信息。

[php] view plain copy print ?

1. //引入snoopy的类文件  
2. require('Snoopy.class.php');  
3. //初始化snoopy类  
4. $snoopy =new Snoopy;  
5. $url ="http://www.zhosoft.com";  
6. //开始采集内容  
7. $snoopy->fetch($url);  
8.  //保存采集内容到$lines_string  
9. $lines_string =$snoopy->results;  
10. //输出内容，嘿嘿，大家也可以保存在自己的服务器上  
11. echo $lines_string;  

?

说明：设置agent是在 Snoopy.class.php 文件的第45行，请在该文件中搜索 “var $agent” （引号中的内容）。浏览器内容你可以使用PHP来获得，
使用 echo $_SERVER['HTTP_USER_AGENT']; 可以得到浏览器信息，将echo出来的内容复制到agent里面就可以了。