在下面采集数据过程中file_get_contents函数是关键了,下面我们来看看file_get_contents函数语法
string file_get_contents ( string $filename [, bool $use_include_path = false [, resource $context [, int $offset = -1 [, int $maxlen ]]]] )
和 file() 一样,只除了 file_get_contents() 把文件读入一个字符串。将在参数 offset 所指定的位置开始读取长度为 maxlen 的内容。如果失败, file_get_contents() 将返回 FALSE。
file_get_contents() 函数是用来将文件的内容读入到一个字符串中的首选方法。如果操作系统支持还会使用内存映射技术来增强性能。
例
$homepage = file_get_contents(‘http://www.hzhuti.com/’);
echo $homepage;
?>
这样$homepage就是我们采集网的内容给保存下来了,好了说了这么多我们开始吧。
例
function fetch_urlpage_contents($url){
$c=file_get_contents($url);
return $c;
}
//获取匹配内容
function fetch_match_contents($begin,$end,$c)
{
$begin=change_match_string($begin);
$end=change_match_string($end);
$p = “{$begin}(.*){$end}”;
if(eregi($p,$c,$rs))
{
return $rs[1];}
else { return “”;}
}//转义正则表达式字符串
function change_match_string($str){
//注意,以下只是简单转义
//$old=array(“/”,”$”);
//$new=array(“/”,”$”);
$str=str_replace($old,$new,$str);
return $str;
}
//采集网页
function pick($url,$ft,$th)
{
$c=fetch_urlpage_contents($url);
foreach($ft as $key => $value)
{
$rs[$key]=fetch_match_contents($value["begin"],$value["end"],$c);
if(is_array($th[$key]))
{ foreach($th[$key] as $old => $new)
{
$rs[$key]=str_replace($old,$new,$rs[$key]);
}
}
}
return $rs;
}
$url=”http://www.php100.com”; //要采集的地址
$ft["title"]["begin"]=”
”; //截取的开始点$ft["title"]["end"]=”
”; //截取的结束点$th["title"]["中山"]=”广东”; //截取部分的替换
$ft["body"]["begin"]=”
”; //截取的开始点$ft["body"]["end"]=””; //截取的结束点
$th["body"]["中山"]=”广东”; //截取部分的替换
$rs=pick($url,$ft,$th); //开始采集
echo $rs["title"];
echo $rs["body"]; //输出
?>
以下代码从上一面修改而来,专门用于提取网页所有超链接,邮箱或其他特定内容
function fetch_urlpage_contents($url){
$c=file_get_contents($url);
return $c;
}
//获取匹配内容
function fetch_match_contents($begin,$end,$c)
{
$begin=change_match_string($begin);
$end=change_match_string($end);
$p = “#{$begin}(.*){$end}#iU”;//i表示忽略大小写,U禁止贪婪匹配
if(preg_match_all($p,$c,$rs))
{
return $rs;}
else { return “”;}
}//转义正则表达式字符串
function change_match_string($str){
//注意,以下只是简单转义
$old=array(“/”,”$”,’?');
$new=array(“/”,”$”,’?');
$str=str_replace($old,$new,$str);
return $str;
}
//采集网页
function pick($url,$ft,$th)
{
$c=fetch_urlpage_contents($url);
foreach($ft as $key => $value)
{
$rs[$key]=fetch_match_contents($value["begin"],$value["end"],$c);
if(is_array($th[$key]))
{ foreach($th[$key] as $old => $new)
{
$rs[$key]=str_replace($old,$new,$rs[$key]);
}
}
}
return $rs;
}
$url=”http://www.php100.com”; //要采集的地址
$ft["a"]["begin"]=’
$ft["a"]["end"]=’>’; //截取的结束点
$rs=pick($url,$ft,$th); //开始采集
print_r($rs["a"]);
?>
小提示file_get_contents很是容易被防采集了,我们可以使用curl来模仿用户对网站进行访问,这算比上面要高级不少哦,file_get_contents()效率稍低些,常用失败的情况、curl()效率挺高的,支持多线程,不过需要开启下curl扩展。下面是curl扩展开启的步骤:
1、将PHP文件夹下的三个文件php_curl.dll,libeay32.dll,ssleay32.dll复制到system32下;
2、将php.ini(c:WINDOWS目录下)中的;extension=php_curl.dll中的分号去掉;
3、重启apache或者IIS。
简单的抓取页面函数,附带伪造 Referer 和 User_Agent 功能
function GetSources($Url,$User_Agent=”,$Referer_Url=”) //抓取某个指定的页面
{
//$Url 需要抓取的页面地址
//$User_Agent 需要返回的user_agent信息 如“baiduspider”或“googlebot”
$ch = curl_init();
curl_setopt ($ch, CURLOPT_URL, $Url);
curl_setopt ($ch, CURLOPT_USERAGENT, $User_Agent);
curl_setopt ($ch, CURLOPT_REFERER, $Referer_Url);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION,1);
curl_setopt ($ch, CURLOPT_RETURNTRANSFER, 1);
$MySources = curl_exec ($ch);
curl_close($ch);
return $MySources;
}
$Url = “http://www.php100.com”; //要获取内容的也没
$User_Agent = “baiduspider+(+http://www.baidu.com/search/spider.htm)”;
$Referer_Url = ‘http://www.jb51.net/’;
echo GetSources($Url,$User_Agent,$Referer_Url);
?>