PHP 實現批量抓取遠程頁面內容

2020-03-22 19:47:26

字體：大中小

來源：轉載

供稿：網友

為什么使用“小偷程序”？

遠程抓取文章資訊或商品信息是很多企業要求程序員實現的功能，也就是俗說的小偷程序。其最主要的優點是：解決了公司網編繁重的工作，大大提高了效率。只需要一運行就能快速的抓取別人網站的信息。

“小偷程序”在哪里運行？

“小偷程序” 應該在 Windows 下的 DOS（參考文章：http://www.it165.net/pro/html/201201/1460.html）或 Linux 下通過 PHP 命令運行為最佳，因為，網頁運行會超時。

比如圖（Windows 下 DOS 為例）：

“小偷程序”的實現

這里主要通過一個實例來講解，我們來抓取下“華強電子網”的資訊信息，請先看觀察這個鏈接 http://www.it165.net/info-c10.html，當您打開這個頁面的時候發現這個頁面會發現一些現象：

1、資訊列表有 500 頁（2012-01-03）；

2、每頁的 url 鏈接都有規律，比如：第1頁為http://www.it165.net/info-c10-1.html；第2頁為http://www.it165.net/info-c10-2.html；……第500頁為http://www.it165.net/info-c10-500.html；

3、由第二點就可以知道，“華強電子網” 的資訊是偽靜態或者是生成的靜態頁面

其實，基本上大部分的網站都有這樣的規律，比如：中關村在線、慧聰網、新浪、淘寶……。

這樣，我們可以通過這樣的思路來實現頁面內容的抓?。?/p>

1、先獲取文章列表頁內容；

2、根據文章列表頁內容循環獲取文章的 url 地址；

3、根據文章的 url 地址獲取文章的詳細內容

這里，我們主要抓取資訊頁里面的：標題（title）、發布如期（date）、作者（author）、來源（source）、內容（content）

“華強電子網”資訊抓取

首先，先建數據表結構，如下所示：

CREATE TABLE `article`.`article` (`id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY ,`title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,`date` VARCHAR( 50 ) NOT NULL ,`author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,`source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,`content` TEXT NOT NULL) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci;

抓取程序：

<?php/*** 抓取“華強電子網”資訊程序* author Lee.* Last modify $Date: 2012-1-3 15:39:35 $*/header('Content-Type:text/html;Charset=utf-8');$mysqli = new mysqli('localhost', 'root', '1715544', 'article'); # 數據庫連接，請手動修改您自己的數據庫信息$mysqli->set_charset('UTF8'); # 設置數據庫編碼function data($url) {	global $mysqli;	$result = file_get_contents($url); # $result 獲取 url 鏈接內容（注意：這里是文章列表鏈接）	$pattern = '/<li><span class="box_r">.+<//span><a href="([^"]+)"  title=".+" >.+<//a><//li>/Usi'; # 取得文章 url 的匹配正則	preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配給數組$arr(二維數組)	foreach ($arr[1] as $val) {		$val = 'http://www.hqew.com' . $val; # 真實文章 url 地址		$re = file_get_contents($val); # $re 為文章 url 的內容		$pa = '/<div id="article">/s+<h1>(.+)<//h1>/s+<p id="article/_extinfo">/s+發布:/s+(.+)/s+/|/s+作者:/s+(.+)/s+/|/s+來源:/s+(.*?)/s+<span style="display:none" >.+<div id="article_body">/s*(.+)/s+<//div>/s+<//div><!--article end-->/Usi'; # 取得文章內容的正則		preg_match_all($pa, $re, $array); # 把取到的內容分配到數組 $array		$content = trim($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); # 添加到數據庫		if ($row) {			echo 'add success!';		} else {			echo 'add failed!';		}	}}/** * stripOfficeTag($v) 對文章內容進行過濾，比如：去掉文章中的鏈接，過濾掉沒有的 HTML 標簽…… * @param string $v * @return string */function stripContentTag($v){	$v = str_replace('<p>&nbsp;</p>', '', $v);    $v = str_replace('<p />', '', $v);    $v = preg_replace('/<a href=".+" target="/_blank"><strong>(.+)<//strong><//a>/Usi', '/1', $v);    $v = preg_replace('%(<span/s*[^>]*>(.*)</span>)%Usi', '/2', $v);    $v = preg_replace('%(/s+class="Mso[^"]+")%si', '', $v);    $v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v);    $v = preg_replace('/<b><//b>/', '', $v);    return $v;}/** * stripTitleTag($title) 對文章標題進行過濾 * @param string $v * @return string */function stripAuthorTag($v) {	$v = preg_replace('/<a href=".+" target="/_blank">(.+)<//a>/Usi', '/1', $v);	return $v;}/** * mysqlString($str) 過濾數據 * @param string $str * @return string */function mysqlString($str) {	return addslashes(trim($str));}/** * init($min, $max) 入口程序方法，從 $min 頁開始取，到 $max 頁結束 * @param int $min 從 1 開始 * @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?>

通過上面的程序，就可以實現抓取華強電子網的資訊信息。

入口方法 init($min, $max) 如果想抓取 1-500 頁面內容，那么 init(1, 500) 即可！這樣，用不了多長時間，華強電子網的資訊就會全部抓取到數據庫里面了。^_^

執行界面：