php抓取页面与代码解析

发表于:2013-10-15来源:IT博客大学习作者:simondai点击数: 标签:php
在做一些天气预报或者RSS订阅的程序时,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

  在做一些天气预报或者RSS订阅的程序时,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。

  下面先简单说一下本文的主要内容:

  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. 正则表达式 2. PHP DOMDocument对象 3. 插件(如:PHP Simple HTML DOM Parser)

  如果你对以上内容已经很了解,以下内容可以飘过……

  PHP抓取页面

  1. file()函数

  

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

  $lines_array=file($url);

  $lines_string=implode('',$lines_array);

  echo htmlspecialchars($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。

  

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

  $lines_string=file_get_contents($url);

  echo htmlspecialchars($lines_string);

  ?>

  3. fopen()->fread()->fclose()模式

  

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

  $handle=fopen($url,"rb");

  $lines_string="";

  do{

  $data=fread($handle,1024);

  if(strlen($data)==0){break;}

  $lines_string.=$data;

  }while(true);

  fclose($handle);

  echo htmlspecialchars($lines_string);

  ?>

  4. 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。

  

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

  $ch=curl_init();

  $timeout=5;

  curl_setopt($ch, CURLOPT_URL, $url);

  curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

  curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

  $lines_string=curl_exec($ch);

  curl_close($ch);

  echo htmlspecialchars($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,比如我的本地php socket没开启http,只能使用udp测试一下了。

  

  $fp = fsockopen("udp://127.0.0.1", 13, $errno, $errstr);

  if (!$fp) {

  echo "ERROR: $errno - $errstr
\n";

  } else {

  fwrite($fp, "\n");

  echo fread($fp, 26);

  fclose($fp);

  }

  ?>

  6. 插件

  网上应该有比较多的插件,snoopy插件是在网上搜到的,有兴趣的可以研究一下。

  PHP解析xml(html)

  1. 正则表达式:

  

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

  $lines_string=file_get_contents($url);

  eregi('',$lines_string,$title);

  echo htmlspecialchars($title[0]);

  ?>

  2. PHP DOMDocument()对象

  如果远程的html或xml存在语法错误,php在解析dom的时候会报错。

  

  $url='http://www.136web.cn';

  $html=new DOMDocument();

  $html->loadHTMLFile($url);

  $title=$html->getElementsByTagName('title');

  echo $title->item(0)->nodeValue;

  ?>

  3. 插件

  本文以PHP Simple HTML DOM Parser为例,进行简单介绍,simple_html_dom的语法类似jQuery,它让php操作dom,就像使用jQuery操作dom一样的简单。

  

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

  include_once('../simplehtmldom/simple_html_dom.php');

  $html=file_get_html($url);

  $title=$html->find('title');

  echo $title[0]->plaintext;

  ?>

  当然中国人是富有创造性的,老外往往会在技术上领先,但中国人往往会在使用上更胜一筹,往往做出一些让老外不敢想的功能,比如php的远程抓取与分 析,本来是为数据的整合提供方便。但国人很喜欢这个,于是乎大量的采集站,它们本身不创造任何有价值的内容,就是靠抓取别人的网站内容,并把它据为己有。 在百度里输入“php小”关键词,suggest列表第一个就是“php小偷程序”,然后把同样的关键词放入google,哥只能笑而不语。

原文转自:http://blogread.cn/it/article/4651

评论列表(网友评论仅供网友表达个人看法,并不表明本站同意其观点或证实其描述)