PHP 实现批量抓取远程页面内容(小偷程序)

为什么使用“小偷程序”?

远程抓取文章资讯或商品信息是很多企业要求程序员实现的功能,也就是俗说的小偷程序。其最主要的优点是:解决了公司网编繁重的工作,大大提高了效率。只需要一运行就能快速的抓取别人网站的信息。*
*

“小偷程序”在哪里运行?

“小偷程序” 应该在 Windows 下的 DOS(参考文章:http://blog.csdn.net/liruxing1715/article/details/7079488) 或 Linux 下通过 PHP 命令运行为最佳,因为,网页运行会超时。

比如图(Windows 下 DOS 为例):

“小偷程序”*的实现*

这里主要通过一个实例来讲解,我们来抓取下“华强电子网”的资讯信息,请先看观察这个链接 http://www.hqew.com/info-c10.html,当您打开这个页面的时候发现这个页面会发现一些现象:

1、资讯列表有 500 页(2012-01-03);

2、每页的 url 链接都有规律,比如:第1页为http://www.hqew.com/info-c10-1.html;第2页为http: //www.hqew.com/info-c10-2.html;……第500页为http://www.hqew.com/info- c10-500.html;

3、由第二点就可以知道,“华强电子网” 的资讯是伪静态或者是生成的静态页面

其实,基本上大部分的网站都有这样的规律,比如:中关村在线、慧聪网、新浪、淘宝……。

这样,我们可以通过这样的思路来实现页面内容的抓取:

1、先获取文章列表页内容;

2、根据文章列表页内容循环获取文章的 url 地址;

3、根据文章的 url 地址获取文章的详细内容

这里,我们主要抓取资讯页里面的:标题(title)、发布如期(date)、作者(author)、来源(source)、内容(content)

“华强电子网”*资讯抓取*

首先,先建数据表结构,如下所示:

CREATE TABLE article.article ( [id](http://www.linuxso.com/command/id.html) MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTOINCREMENT PRIMARY KEY , title VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8generalci NOT NULL , date VARCHAR( 50 ) NOT NULL , author VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8generalci NOT NULL , source VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8generalci NOT NULL , content TEXT NOT NULL ) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8general_ci;

抓取程序:

set_charset('UTF8'); # 设置数据库编码 fu[nc](http://www.linuxso.com/command/nc.html)tion data($url) { global $mysqli; $re[su](http://www.linuxso.com/command/su.html)lt = [file](http://www.linuxso.com/command/file.html)_get_contents($url); # $result 获取 url 链接内容(注意:这里是文章列表链接) $pattern = '/
  • .+.+
  • /Usi'; # 取得文章 url 的匹配[正则](http://www.linuxso.com/book/11723.html) preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配给数组$arr(二维数组) foreach ($arr[1] as $val) { $val = 'http://www.hqew.com' . $val; # 真实文章 url 地址 $re = file_get_contents($val); # $re 为文章 url 的内容 $pa = '/
    s+

    (.+)

    s+

    s+发布:s+(.+)s+|s+作者:s+(.+)s+|s+来源:s+(.*?)s+.+

    s*(.+)s+
    s+
    /Usi'; # 取得文章内容的正则 preg_match_all($pa, $re, $array); # 把取到的内容分配到数组 $array $content = [tr](http://www.linuxso.com/command/tr.html)im($array[5][0]); $con = array( 'title'=>mysqlString($array[1][0]), 'date'=>mysqlString($array[2][0]), 'author'=>mysqlString(stripAuthorTag($array[3][0])), 'source'=>mysqlString($array[4][0]), 'content'=>mysqlString(stripContentTag($content)) ); $sql = "INSERT INTO article(title,date,author,source,content) VALUES ('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')"; $row = $mysqli->query($sql); # 添加到数据库 if ($row) { echo 'a[dd](http://www.linuxso.com/command/dd.html) success!'; } else { echo 'add failed!'; } } } /** * stripOfficeTag($v) 对文章内容进行过滤,比如:去掉文章中的链接,过滤掉没有的 HTML 标签…… * @param string $v * @return string */ function stripContentTag($v){ $v = str_replace('

     

    ', '', $v); $v = str_replace('

    ', '', $v); $v = preg_replace('/(.+)/Usi', '1', $v); $v = preg_replace('%(]*>(.*))%Usi', '2', $v); $v = preg_replace('%(s+class="Mso[^"]+")%si', '', $v); $v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v); $v = preg_replace('//', '', $v); return $v; } /** * stripTitleTag($title) 对文章标题进行过滤 * @param string $v * @return string */ function stripAuthorTag($v) { $v = preg_replace('/(.+)/Usi', '1', $v); return $v; } /** * mysqlString($str) 过滤数据 * @param string $str * @return string */ function mysqlString($str) { return addslashes(trim($str)); } /** * init($min, $max) 入口程序方法,从 $min 页开始取,到 $max 页结束 * @param int $min 从 1 开始 * @param int $max * @return string 返回 URL 地址 */ function init($min=1, $max) { for ($i=$min; $i<=$max; $i++) { data("http://www.hqew.com/info-c10-{$i}.html"); } } init(1, 500); #程序入口 ?>

    通过上面的程序,就可以实现抓取华强电子网的资讯信息。

    入口方法 init($min, $max) 如果想抓取 1-500 页面内容,那么 init(1, 500) 即可!这样,用不了多长时间,华强电子网的资讯就会全部抓取到数据库里面了。^_^

    执行界面:

    数据库:

    http://www.linuxso.com/linuxbiancheng/15807.html

    未经允许不得转载:空洽网 » PHP 实现批量抓取远程页面内容(小偷程序)

    流明天

    继续阅读此作者的更多文章