更新PHP平台开发时,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:

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. file()函数

<?php

//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; 


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。

<?php

//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);


3. fopen()->fread()->fclose()模式

<?php

//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;


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。

<?php

// 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;


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。

<?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。

<?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";

//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。

相关文章
[浪峰推荐]php的memcache应用入门教程
[浪峰推荐]CURL 伪造 IP 和来源
[PHP开发必备] 走在大牛的路上 phpstudy最全的开发环境搭建
添加新评论
暂无评论