php写采集教程,PHP中怎样实现文章采集_PHP教程

数据采集，大部分是用正则表达式，我简单地介绍下如何实现采集的思路.这里说的是php的实现.一般是本机运行，放到空间上是不明智的，因为不但很耗资源还需要支持远程抓取函数，比如file_get_contents($urls)file($url)等.

1，文章列表页面的自动切换，以及文章路径的获得.

2，获得：标题，内容

3，入库

4，问题

1，文章列表页面的自动切换，以及文章路径的获得.

a，列表页面的自动切换一般依赖动态页面来实现.比如

http://www.phpfirst.com/foru ... d=1&page=$i

可以在后面利用$i的自动增加或范围来实现，比如$i++;

也可以像penzi演示的那个一样，要从第几页到第几页，代码方面控制$i的范围就可以.

b，文章路径的获得分需要填正则和无需填正则2种：

1)无需填正则就是获得上面的文章列表页面的所有连接

但是最好对连接进行过滤，处理---判断重复连接，只留一个，处理相对路径，变成绝对路径.比如../ 和./等.

以下是我写的乱七八糟的实现函数：

PHP:

--------------------------------------------------------------------------------

//$e=clinchgeturl("http://phpfirst.com/forumdisplay.php?fid=1");

//var_dump($e);

function clinchgeturl($url)

{

//$url="http://127.0.0.1/1.htm";

//$rootpath="http://fsrootpathfsfsf/yyyyyy/";

//var_dump($rrr);

if(eregi((.)*[.](.)*,$url)){

$roopath=split("/",$url);

$rootpath="http://".$roopath[2]."/";

$nnn=count($roopath)-1;for($yu=3;$yu

// var_dump($rootpath); //http: ,,127.0.0.1,xnml,index.php

}

else{$rootpath=$url; //var_dump($rootpath);

}

if(isset($url)){

echo "$url 有下列裢接：

";

$fcontents = file($url);

while(list(,$line)=each($fcontents)){

while(eregi((href[[:space:]]*=[[:space:]]*"?[[:alnum:]:@/._-]+[?]?[^"]*"?),$line,$regs)){

//$regs[1] = eregi_replace((href[[:space:]]*=[[:space:]]*"?)([[:alnum:]:@/._-]+)("?),"\2",$regs[1]);

$regs[1] = eregi_replace((href[[:space:]]*=[[:space:]]*["]?)([[:alnum:]:@/._-]+[?]?[^"]*)(.*)[^"/]*(["]?),"\2",$regs[1]);

if(!eregi(^http://,$regs[1])){

if(eregi(^..,$regs[1])){

// $roopath=eregi_replace((http://)?([[:alnum:]:@/._-]+)[[:alnum:]+](.*)[[:alnum:]+],"http://\2",$url);

$roopath=split("/",$rootpath);

$rootpath="http://".$roopath[2]."/";

//echo "这是根本d ："."

";

$nnn=count($roopath)-1;for($yu=3;$yu

//var_dump($rootpath);

if(eregi(^..[/[:alnum:]],$regs[1])){

//echo "这是../目录/ ："."

";

//$regs[1]="../xx/xxxxxx.xx";

// $rr=split("/",$regs[1]);

//for($oooi=1;$oooi

$rrr=$regs[1];

// {$rrr.="/".$rr[$oooi];

$rrr = eregi_replace("^[.][.][/]",,$rrr); //}

$regs[1]=$rootpath.$rrr;

}

}else{

if(eregi(^[[:alnum:]],$regs[1])){ $regs[1]=$rootpath.$regs[1]; }

else{ $regs[1] = eregi_replace("^[/]",,$regs[1]); $regs[1]=$rootpath.$regs[1]; }

}

}

$line = $regs[2];

if(eregi((.)*[.](htm|shtm|html|asp|aspx|php|jsp|cgi)(.)*,$regs[1])){

$out[0][]=$regs[1]; }

}

}

}for ($ouou=0;$ouou

{

if($out[0][$ouou]==$out[0][$ouou+1]){

$sameurlsum=1;

//echo "sameurlsum=1:";

for($sameurl=1;$sameurl

if($out[0][$ouou+$sameurl]==$out[0][$ouou+$sameurl+1]){$sameurlsum++;}

else{break;}

}

for($p=$ouou;$p

{ $out[0][$p]=$out[0][$p+$sameurlsum];}

}

}

$i=0;

while($out[0][++$i]) {

//echo $root.$out[0][$i]."

";

$outed[0][$i]=$out[0][$i];

}

unset($out);

$out=$outed; return $out;

}

?>

上面的东西只能zend，不然有碍市容：(

得到所有唯一的连接后，放到数组

2)需要填正则的处理

如果要准确地获得需要的文章连接，就用这个办法

按照ketle的思路

用

PHP:

--------------------------------------------------------------------------------

function cut($file,$from,$end){

$message=explode($from,$file);

$message=explode($end,$message[1]);

return $message[0];

}

$from是列表前面的html代码

$end是列表后面的html代码

以上可以通过表单提交参数.

对列表页面不是列表的部分去除，剩下的是需要的连接，

只要再通过下面正则得到：

PHP:

--------------------------------------------------------------------------------

preg_match("/^(http://)?(.*)/i",

$url, $matches);

return $matches[2];

2，获得：标题，内容

a首先，利用得到的文章路径，读取目标路径

可以通过以下函数：

PHP:

--------------------------------------------------------------------------------

function getcontent($url) {

if($handle = fopen ($url, "rb")){

$contents = "";

do {

$data = fread($handle, 2048);

if (strlen($data) == 0) {

break;

}

$contents .= $data;

} while(true);

fclose ($handle);

}

else

exit("........");

return $contents;

}

或者直接

PHP:

--------------------------------------------------------------------------------

file_get_contents($urls);

后者比较方便，但是缺点对比上面的就知道.

b,接下来得到标题：

一般用这个实现：

PHP:

--------------------------------------------------------------------------------

preg_match("||",$allcontent,$title);

里面的部分通过提交表单得到.

也可以通过一系列的cut函数

比如上面提过的function cut($file,$from,$end)，具体的字符串切割可以通过字符处理函数切割实现，后面"取得内容"详细讲.

c,取得内容

取得内容方面和取得标题思路一样但情况比较复杂，因为内容附近不会是这么简单.

1)内容附近的特征字符串有双引号,空格,换行符号等是大障碍

双引号需要变成　" 　可以通过addslashes()处理

换行符号要去掉　可以通过

PHP:

--------------------------------------------------------------------------------

$a=ereg_replace("

", , $a);

$a=ereg_replace("", , $a);

去掉.

2)思路2，利用一大堆切割相关的函数对内容提取，需要大量的实践，调试，我正在弄这里，没有获得什么突破～～～～～～～～

3，入库

a,切保你的数据库可以插入

比如我的可以这样直接插入：

PHP:

--------------------------------------------------------------------------------

$sql="INSERT INTO $articles VALUES (, $title, , $article,, , clinch, from, 关键词, 1, $栏目id, $time, 1);

";

其中

PHP:

--------------------------------------------------------------------------------

(,

是自动升序的

http://www.bkjia.com/PHPjc/486262.htmlwww.bkjia.comtruehttp://www.bkjia.com/PHPjc/486262.htmlTechArticle数据采集，大部分是用正则表达式，我简单地介绍下如何实现采集的思路.这里说的是php的实现.一般是本机运行，放到空间上是不明智的，...

本条技术文章来源于互联网，如果无意侵犯您的权益请点击此处反馈版权投诉

本文系统来源：php中文网