PHP 爬取網(wǎng)頁的主要方法

更新時(shí)間：2018年07月13日 13:39:02 作者：Sean-zhou

這篇文章主要介紹了PHP 爬取網(wǎng)頁的主要方法，主要是獲取整個(gè)網(wǎng)頁，然后正則匹配,需要的朋友可以參考下

主要流程就是獲取整個(gè)網(wǎng)頁，然后正則匹配（關(guān)鍵的）。

PHP抓取頁面的主要方法,有幾種方法是網(wǎng)上前輩的經(jīng)驗(yàn)，現(xiàn)在還沒有用到的，先存下來以后試試。

1.file()函數(shù)

2.file_get_contents()函數(shù)

3.fopen()->fread()->fclose()模式

4.curl方式（本人主要用這個(gè)）

5.fsockopen()函數(shù) socket模式

6.插件(如：http://sourceforge.net/projects/snoopy/)

7.file()函數(shù)

<?php
//定義url
$url='[http://t.qq.com](http://t.qq.com/)';//fiel函數(shù)讀取內(nèi)容數(shù)組
$lines_array=file($url);//拆分?jǐn)?shù)組為字符串
$lines_string=implode('',$lines_array);//輸出內(nèi)容
echo $lines_string;

2.使用file_get_contents方法實(shí)現(xiàn)，比較簡單。

使用file_get_contents和fopen必須空間開啟allow_url_fopen。方法：編輯php.ini，設(shè)置 allow_url_fopen = On，allow_url_fopen關(guān)閉時(shí)fopen和file_get_contents都不能打開遠(yuǎn)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);
//如果出現(xiàn)中文亂碼使用下面代碼`
//$getcontent = iconv("gb2312", "utf-8",$html);
echo"<textarea style='width:800px;height:600px;'>".$html."</textarea>";

3.fopen()->fread()->fclose()模式，目前還沒用過，看到了就先記下了

<?php
//定義url
$url='[http://t.qq.com](http://t.qq.com/)';//fopen以二進(jìn)制方式打開 
$handle=fopen($url,"rb");//變量初始化
$lines_string="";//循環(huán)讀取數(shù)據(jù)
do{
$data=fread($handle,1024);  
if(strlen($data)==0) {`
break; 
} 
$lines_string.=$data;
}while(true);//關(guān)閉fopen句柄，釋放資源
fclose($handle);//輸出內(nèi)容
echo $lines_string;

4.使用curl實(shí)現(xiàn)（本人一般使用這個(gè)）。

使用curl必須空間開啟curl。方法：windows下修改php.ini，將extension=php_curl.dll前面的分號(hào)去掉，而且需要拷貝ssleay32.dll和libeay32.dll到C:\WINDOWS\system32下；Linux下要安裝curl擴(kuò)展。

<?php
header("Content-Type: text/html;charset=utf-8");
date_default_timezone_set('PRC');
$url = "https://***********ycare";//要爬取的網(wǎng)址
$res = curl_get_contents($url);//curl封裝方法
preg_match_all('/<script>(.*?)<\/script>/',$res,$arr_all);//這個(gè)網(wǎng)頁中數(shù)據(jù)通過js包過來，所以直接抓js就可以
preg_match_all('/"id"\:"(.*?)",/',$arr_all[1][1],$arr1);//從js塊中匹配要的數(shù)據(jù)
$list = array_unique($arr1[1]);//（可?。┍ＷC不重復(fù)
//以下則是同理，循環(huán)則可
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);//此腳本未放在服務(wù)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數(shù)據(jù)到服務(wù)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()函數(shù) socket模式（沒用過，以后可以試試）

socket模式能否正確執(zhí)行，也跟服務(wù)器的設(shè)置有關(guān)系，具體可以通過phpinfo查看服務(wù)器開啟了哪些通信協(xié)議

<?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，推薦大家使用

使用網(wǎng)上非常流行的snoopy來進(jìn)行采集，這是一個(gè)非常強(qiáng)大的采集插件，并且它的使用非常方便，你也可以在里面設(shè)置agent來模擬瀏覽器信息。

說明：設(shè)置agent是在 Snoopy.class.php 文件的第45行，請(qǐng)?jiān)谠撐募兴阉?“var 公式輸入有誤_SERVER['HTTP_USER_AGENT']; 可以得到瀏覽器信息，將echo出來的內(nèi)容復(fù)制到agent里面就可以了。

<?php
//引入snoopy的類文件
require('Snoopy.class.php');
//初始化snoopy類
$snoopy=new Snoopy;
$url="[http://t.qq.com](http://t.qq.com/)";
//開始采集內(nèi)容`
$snoopy->fetch($url);
//保存采集內(nèi)容到$lines_string
$lines_string=$snoopy->results;
//輸出內(nèi)容，嘿嘿，大家也可以保存在自己的服務(wù)器上
echo $lines_string;

總結(jié)

以上所述是小編給大家介紹的PHP 爬取網(wǎng)頁的主要方法，希望對(duì)大家有所幫助，如果大家有任何疑問請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！

您可能感興趣的文章: