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
- //定义url
- $url='http://www.zhosoft.com';
- //fiel函数读取内容数组
- $lines_array=file($url);
- //拆分数组为字符串
- $lines_string=implode('',$lines_array);
- //输出内容,嘿嘿,大家也可以保存在自己的服务器上
- 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。
- //定义url
- $url='http://www.zhosoft.com';
- //file_get_contents函数远程读取数据
- $lines_string=file_get_contents($url);
- //输出内容,嘿嘿,大家也可以保存在自己的服务器上
- echo htmlspecialchars($lines_string);
3. fopen()->fread()->fclose()模式
- //定义url
- $url='http://www.zhosoft.com';
- //fopen以二进制方式打开
- $handle=fopen($url,"rb");
- //变量初始化
- $lines_string="";
- //循环读取数据
- do{
- $data=fread($handle,1024);
- if(strlen($data)==0) {
- break;
- }
- $lines_string.=$data;
- }while(true);
- //关闭fopen句柄,释放资源
- fclose($handle);
- //输出内容,嘿嘿,大家也可以保存在自己的服务器上
- 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。
- // 创建一个新cURL资源
- $url='http://www.zhosoft.com';
- $ch=curl_init();
- $timeout=5;
- // 设置URL和相应的选项
- curl_setopt($ch, CURLOPT_URL, $url);
- curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
- curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
- // 抓取URL
- $lines_string=curl_exec($ch);
- // 关闭cURL资源,并且释放系统资源
- curl_close($ch);
- //输出内容,嘿嘿,大家也可以保存在自己的服务器上
- 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。
- $fp =fsockopen("www.zhosoft.com", 80, $errno,$errstr, 30);
- if (!$fp) {
- echo "$errstr ($errno)<br />\n";
- }else {
- $out ="GET / HTTP/1.1\r\n";
- $out .="Host: www.zhosoft.com\r\n";
- $out .="Connection: Close\r\n\r\n";
- fwrite($fp,$out);
- while (!feof($fp)) {
- echo fgets($fp, 128);
- }
- fclose($fp);
- }
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。
- //引入snoopy的类文件
- require('Snoopy.class.php');
- //初始化snoopy类
- $snoopy =new Snoopy;
- $url ="http://www.zhosoft.com";
- //开始采集内容
- $snoopy->fetch($url);
- //保存采集内容到$lines_string
- $lines_string =$snoopy->results;
- //输出内容,嘿嘿,大家也可以保存在自己的服务器上
- 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。