PHP爬取网页的主要方法,你掌握了吗

693 阅读2分钟

这篇文章讲的是PHP爬取网页的主要方法,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:sourceforge.net/projects/sn…)

不要走开,接下来就分别来看看这六种方法,你掌握了几个?

1.file()函数

<?php
//定义url
$url='[http://t.qq.com](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
echo $lines_string;

2.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。

$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)";

$html=file_get_contents($url);

//如果出现中文乱码使用下面代码`

//$getcontent = iconv("gb2312", "utf-8",$html);

echo"<textarea style='width:800px;height:600px;'>".$html."</textarea>";

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

<?php

//定义url

$url='[http://t.qq.com](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

echo $lines_string;

4.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。

<?php

header("Content-Type: text/html;charset=utf-8");

date_default_timezone_set('PRC');

$url = "https://***********ycare";//要爬取的网址

$res = curl_get_contents($url);//curl封装方法

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

preg_match_all('/"id"\:"(.*?)",/',$arr_all[1][1],$arr1);//从js块中匹配要的数据

$list = array_unique($arr1[1]);//(可省)保证不重复

//以下则是同理,循环则可

for($i=0;$i<=6;$i=$i+2){

  $detail_url = 'ht*****em/'.$list[$i];

  $detail_res = curl_get_contents($detail_url);

  preg_match_all('/<script>(.*?)<\/script>/',$detail_res,$arr_detail);

  preg_match('/"desc"\:"(.*?)",/',$arr_detail[1][1],$arr_content);

  ***

    ***

    ***

  $ret=curl_post('http://**********cms.php',$result);//此脚本未放在服务器上,原因大家懂就好哈。

}

function curl_get_contents($url,$cookie='',$referer='',$timeout=300,$ishead=0) {

  $curl = curl_init();

  curl_setopt($curl, CURLOPT_RETURNTRANSFER,1);

  curl_setopt($curl, CURLOPT_FOLLOWLOCATION,1);

  curl_setopt($curl, CURLOPT_URL,$url);

  curl_setopt($curl, CURLOPT_TIMEOUT,$timeout);

  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');

  if($cookie)

  {

    curl_setopt( $curl, CURLOPT_COOKIE,$cookie);

  }

  if($referer)

  {

  curl_setopt ($curl,CURLOPT_REFERER,$referer);

  }

  $ssl = substr($url, 0, 8) == "https://" ? TRUE : FALSE;

  if ($ssl)

  {

    curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);

    curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);

  }

  $res = curl_exec($curl);

  return $res;

  curl_close($curl);

}

//curl post数据到服务器

function curl_post($url,$data){

  $ch = curl_init();

  curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);

  //curl_setopt($ch,CURLOPT_FOLLOWLOCATION, 1);

  curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE);

  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');

  curl_setopt($ch,CURLOPT_URL,$url);

  curl_setopt($ch,CURLOPT_POST,true);

  curl_setopt($ch,CURLOPT_POSTFIELDS,$data);

  $output = curl_exec($ch);

  curl_close($ch);

  return $output;

}

?>

5.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

<?php

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

if (!$fp) {

  echo "$errstr ($errno)<br />\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);

}

6.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。

<?php

//引入snoopy的类文件

require('Snoopy.class.php');

//初始化snoopy类

$snoopy=new Snoopy;

$url="[http://t.qq.com](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;

以上内容希望帮助到大家,很多PHPer在进阶的时候总会遇到一些问题和瓶颈,业务代码写多了没有方向感,不知道该从那里入手去提升,对此我整理了一些资料,包括但不限于:分布式架构、高可扩展、高性能、高并发、服务器性能调优、TP6,laravel,YII2,Redis,Swoole、Swoft、Kafka、Mysql优化、shell脚本、Docker、微服务、Nginx等多个知识点高级进阶干货需要的可以免费分享给大家,需要的可以加入我的PHP技术交流群953224940