掌握PHP 爬取网页的主要方法_非关系型数据库

概述掌握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：http://sourceforge.net/projects/snoopy/)

7.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。

<?PHPheader("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;