探讨PHP抓取页面的六种方法

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

//定义url

$url='http://t.qq.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。

<?php

//定义url

$url='http://t.qq.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

<?php

//定义url

$url='http://t.qq.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必须首先开启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路径下面；Linux下要安装curl扩展。

<?php

// 创建一个新curl资源

$url='http://t.qq.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。

<?php

$fp = fsockopen("t.qq.com", 80, $errno, $errstr, 30);

if (!$fp) {

     echo "$errstr ($errno)<br />\n";

} else {

     $out = "GET / HTTP/1.1\r\n";

     $out .= "Host: t.qq.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，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

//引入snoopy的类文件

require('Snoopy.class.php');

//初始化snoopy类

$snoopy = new Snoopy;

$url = "http://t.qq.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。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。