ASCII码 ASCII码

PHP 爬取网页的主要方法

发布于：2022-04-29 09:41:02  栏目：技术文档

这篇文章主要介绍了PHP 爬取网页的主要方法，主要是获取整个网页，然后正则匹配,需要的朋友可以参考下

主要流程就是获取整个网页，然后正则匹配（关键的）。PHP抓取页面的主要方法,有几种方法是网上前辈的经验，现在还没有用到的，先存下来以后试试。1.file()函数2.file_get_contents()函数3.fopen()->fread()->fclose()模式4.curl方式 （本人主要用这个）5.fsockopen()函数 socket模式6.插件(如：http://sourceforge.net/projects/snoopy/)7.file()函数

  1. <?php
  2. //定义url
  3. $url='[http://t.qq.com](http://t.qq.com/)';//fiel函数读取内容数组
  4. $lines_array=file($url);//拆分数组为字符串
  5. $lines_string=implode('',$lines_array);//输出内容
  6. echo $lines_string;

.使用file_get_contents方法实现，比较简单。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

  1. $url="[http://news.sina.com.cn/c/nd/2016-10-23/doc-ifxwztru6951143.shtml](http://news.sina.com.cn/c/nd/2016-10-23/doc-ifxwztru6951143.shtml)";
  2. $html=file_get_contents($url);
  3. //如果出现中文乱码使用下面代码`
  4. //$getcontent = iconv("gb2312", "utf-8",$html);
  5. echo"<textarea style='width:800px;height:600px;'>".$html."</textarea>";

fopen()->fread()->fclose()模式 ，目前还没用过，看到了就先记下了

  1. <?php
  2. //定义url
  3. $url='[http://t.qq.com](http://t.qq.com/)';//fopen以二进制方式打开 
  4. $handle=fopen($url,"rb");//变量初始化
  5. $lines_string="";//循环读取数据
  6. do{
  7. $data=fread($handle,1024);  
  8. if(strlen($data)==0) {`
  9. break; 
  10. } 
  11. $lines_string.=$data;
  12. }while(true);//关闭fopen句柄，释放资源
  13. fclose($handle);//输出内容
  14. echo $lines_string;

.使用curl实现（本人一般使用这个）。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。

  1. <?php
  2. header("Content-Type: text/html;charset=utf-8");
  3. date_default_timezone_set('PRC');
  4. $url = "https://***********ycare";//要爬取的网址
  5. $res = curl_get_contents($url);//curl封装方法
  6. preg_match_all('/<script>(.*?)<\/script>/',$res,$arr_all);//这个网页中数据通过js包过来，所以直接抓js就可以
  7. preg_match_all('/"id"\:"(.*?)",/',$arr_all[1][1],$arr1);//从js块中匹配要的数据
  8. $list = array_unique($arr1[1]);//（可省）保证不重复
  9. //以下则是同理，循环则可
  10. for($i=0;$i<=6;$i=$i+2){
  11.   $detail_url = 'ht*****em/'.$list[$i];
  12.   $detail_res = curl_get_contents($detail_url);
  13.   preg_match_all('/<script>(.*?)<\/script>/',$detail_res,$arr_detail);
  14.   preg_match('/"desc"\:"(.*?)",/',$arr_detail[1][1],$arr_content);
  15.   ***
  16.     ***
  17.     ***
  18.   $ret=curl_post('http://**********cms.php',$result);//此脚本未放在服务器上，原因大家懂就好哈。
  19. }
  20. function curl_get_contents($url,$cookie='',$referer='',$timeout=300,$ishead=0) {
  21.   $curl = curl_init();
  22.   curl_setopt($curl, CURLOPT_RETURNTRANSFER,1);
  23.   curl_setopt($curl, CURLOPT_FOLLOWLOCATION,1);
  24.   curl_setopt($curl, CURLOPT_URL,$url);
  25.   curl_setopt($curl, CURLOPT_TIMEOUT,$timeout);
  26.   curl_setopt($curl, CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');
  27.   if($cookie)
  28.   {
  29.     curl_setopt( $curl, CURLOPT_COOKIE,$cookie);
  30.   }
  31.   if($referer)
  32.   {
  33.     curl_setopt ($curl,CURLOPT_REFERER,$referer);
  34.   }
  35.   $ssl = substr($url, 0, 8) == "https://" ? TRUE : FALSE;
  36.   if ($ssl)
  37.   {
  38.     curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);
  39.     curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);
  40.   }
  41.   $res = curl_exec($curl);
  42.   return $res;
  43.   curl_close($curl);
  44. }
  45. //curl post数据到服务器
  46. function curl_post($url,$data){
  47.   $ch = curl_init();
  48.   curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
  49.   //curl_setopt($ch,CURLOPT_FOLLOWLOCATION, 1);
  50.   curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE);
  51.   curl_setopt($ch,CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');
  52.   curl_setopt($ch,CURLOPT_URL,$url);
  53.   curl_setopt($ch,CURLOPT_POST,true);
  54.   curl_setopt($ch,CURLOPT_POSTFIELDS,$data);
  55.   $output = curl_exec($ch);
  56.   curl_close($ch);
  57.   return $output; 
  58. }
  59. ?>

fsockopen()函数 socket模式（没用过，以后可以试试）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

  1. <?php
  2. $fp = fsockopen("t.qq.com", 80, $errno, $errstr, 30);
  3. if (!$fp) {
  4.   echo "$errstr ($errno)<br />\n";
  5. } else {
  6.   $out = "GET / HTTP/1.1\r\n";
  7.   $out .= "Host: t.qq.com\r\n";
  8.   $out .= "Connection: Close\r\n\r\n";
  9.   fwrite($fp, $out);
  10.   while (!feof($fp)) {
  11.     echo fgets($fp, 128);
  12.   }
  13.   fclose($fp);
  14. }

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。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 公式输入有误_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

  1. <?php
  2. //引入snoopy的类文件
  3. require('Snoopy.class.php');
  4. //初始化snoopy类
  5. $snoopy=new Snoopy;
  6. $url="[http://t.qq.com](http://t.qq.com/)";
  7. //开始采集内容`
  8. $snoopy->fetch($url);
  9. //保存采集内容到$lines_string
  10. $lines_string=$snoopy->results;
  11. //输出内容，嘿嘿，大家也可以保存在自己的服务器上
  12. echo $lines_string;
相关推荐
阅读 +

© 2020 asciim码

人生就是一场修行