php 全站url爬取,[正儿八经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：

file()函数

file_get_contents()函数

fopen()->fread()->fclose()模式

curl方式

fsockopen()函数 socket模式

二、PHP解析html或xml代码主要方式：

file()函数

// 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;

** 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://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);

fopen()->fread()->fclose()模式

//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;

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://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;

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

if(!$fp) {

echo "$errstr ($errno)
\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);

}

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://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” (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。