快捷導(dǎo)航

PHP抓取及分析網(wǎng)頁(yè)的方法詳解

更新時(shí)間：2016年04月26日 10:05:45 作者：布魯斯大人

這篇文章主要介紹了PHP抓取及分析網(wǎng)頁(yè)的方法,結(jié)合實(shí)例形式詳細(xì)分析了php網(wǎng)頁(yè)抓取的原理及分析的技巧,需要的朋友可以參考下

本文實(shí)例講述了PHP抓取及分析網(wǎng)頁(yè)的方法。分享給大家供大家參考，具體如下：

抓取和分析一個(gè)文件是非常簡(jiǎn)單的事。這個(gè)教程將通過(guò)一個(gè)例子帶領(lǐng)你一步一步地去實(shí)現(xiàn)它。讓我們開(kāi)始吧！

首先，我首必須決定我們將抓取的URL地址?？梢酝ㄟ^(guò)在腳本中設(shè)定或通過(guò)$QUERY_STRING傳遞。為了簡(jiǎn)單起見(jiàn)，讓我們將變量直接設(shè)在腳本中。

<?php
$url = 'http://www.php.net';
?>

第二步，我們抓取指定文件，并且通過(guò)file()函數(shù)將它存在一個(gè)數(shù)組里。

<?php
$url = 'http://www.php.net';
$lines_array = file($url);
?>

好了，現(xiàn)在在數(shù)組里已經(jīng)有了文件了。但是，我們想分析的文本可能不全在一行里面。為了解決這個(gè)文件，我們可以簡(jiǎn)單地將數(shù)組$lines_array轉(zhuǎn)化成一個(gè)字符串。我們可以使用implode(x,y)函數(shù)來(lái)實(shí)現(xiàn)它。如果在后面你想用explode(將字符串變量數(shù)組)，將x設(shè)成"|"或"!"或其它類似的分隔符可能會(huì)更好。但是出于我們的目的，最好將x設(shè)成空格。y是另一個(gè)必要的參數(shù)，因?yàn)樗悄阆胗胕mplode()處理的數(shù)組。

<?php
$url = 'http://www.php.net';
$lines_array = file($url);
$lines_string = implode('', $lines_array);
?>

現(xiàn)在，抓取工作就做完了，下面該進(jìn)行分析了。出于這個(gè)例子的目的，我們想得到在<head>到</head>之間的所有東西。為了分析出字符串，我們還需要叫做正規(guī)表達(dá)式的東西。

<?php
$url = 'http://www.php.net';
$lines_array = file($url);
$lines_string = implode('', $lines_array);
eregi("<head>(.*)</head>", $lines_string, $head);
?>

讓我們看一下代碼。正如你所見(jiàn)，eregi()函數(shù)按下面的格式執(zhí)行：

eregi("<head>(.*)</head>", $lines_string, $head);

"(.*)"表示所有東西，可以解釋為，"分析在<head>和</head>間的所以東西"。$lines_string是我們正在分析的字符串，$head是分析后的結(jié)果存放的數(shù)組。

最后，我們可以輸數(shù)據(jù)。因?yàn)閮H在<head>和</head>間存在一個(gè)實(shí)例，我們可以安全的假設(shè)數(shù)組中僅存在著一個(gè)元素，而且就是我們想要的。讓我們把它打印出來(lái)吧。

<?php
$url = 'http://www.php.net';
$lines_array = file($url);
$lines_string = implode('', $lines_array); eregi("<head>(.*)</head>", $lines_string, $head);
echo $head[0];
?>

這就是全部的代碼了。

<?php
//獲取所有內(nèi)容url保存到文件
function get_index ( $save_file , $prefix = "index_" ){
   $count = 68 ;
   $i = 1 ;
  if ( file_exists ( $save_file )) @ unlink ( $save_file );
   $fp = fopen ( $save_file , "a+" ) or die( "Open " . $save_file . " failed" );
  while( $i < $count ){
     $url = $prefix . $i . ".htm" ;
    echo "Get " . $url . "..." ;
     $url_str = get_content_url ( get_url ( $url ));
    echo " OK/n" ;
     fwrite ( $fp , $url_str );
    ++ $i ;
  }
   fclose ( $fp );
}
//獲取目標(biāo)多媒體對(duì)象
function get_object ( $url_file , $save_file , $split = "|--:**:--|" ){
  if (! file_exists ( $url_file )) die( $url_file . " not exist" );
   $file_arr = file ( $url_file );
  if (! is_array ( $file_arr ) || empty( $file_arr )) die( $url_file . " not content" );
   $url_arr = array_unique ( $file_arr );
  if ( file_exists ( $save_file )) @ unlink ( $save_file );
   $fp = fopen ( $save_file , "a+" ) or die( "Open save file " . $save_file . " failed" );
  foreach( $url_arr as $url ){
    if (empty( $url )) continue;
    echo "Get " . $url . "..." ;
     $html_str = get_url ( $url );
    echo $html_str ;
    echo $url ;
    exit;
     $obj_str = get_content_object ( $html_str );
    echo " OK/n" ;
     fwrite ( $fp , $obj_str );
  }
   fclose ( $fp );
}
//遍歷目錄獲取文件內(nèi)容
function get_dir ( $save_file , $dir ){
   $dp = opendir ( $dir );
  if ( file_exists ( $save_file )) @ unlink ( $save_file );
   $fp = fopen ( $save_file , "a+" ) or die( "Open save file " . $save_file . " failed" );
  while(( $file = readdir ( $dp )) != false ){
    if ( $file != "." && $file != ".." ){
      echo "Read file " . $file . "..." ;
       $file_content = file_get_contents ( $dir . $file );
       $obj_str = get_content_object ( $file_content );
      echo " OK/n" ;
       fwrite ( $fp , $obj_str );
    }
  }
   fclose ( $fp );
}
//獲取指定url內(nèi)容
function get_url ( $url ){
   $reg = '/^http:////[^//].+$/' ;
  if (! preg_match ( $reg , $url )) die( $url . " invalid" );
   $fp = fopen ( $url , "r" ) or die( "Open url: " . $url . " failed." );
  while( $fc = fread ( $fp , 8192 )){
     $content .= $fc ;
  }
   fclose ( $fp );
  if (empty( $content )){
    die( "Get url: " . $url . " content failed." );
  }
  return $content ;
}
//使用socket獲取指定網(wǎng)頁(yè)
function get_content_by_socket ( $url , $host ){
   $fp = fsockopen ( $host , 80 ) or die( "Open " . $url . " failed" );
   $header = "GET /" . $url . " HTTP/1.1/r/n" ;
   $header .= "Accept: */*/r/n" ;
   $header .= "Accept-Language: zh-cn/r/n" ;
   $header .= "Accept-Encoding: gzip, deflate/r/n" ;
   $header .= "User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; Maxthon; InfoPath.1; .NET CLR 2.0.50727)/r/n" ;
   $header .= "Host: " . $host . "/r/n" ;
   $header .= "Connection: Keep-Alive/r/n" ;
   //$header .= "Cookie: cnzz02=2; rtime=1; ltime=1148456424859; cnzz_eid=56601755-/r/n/r/n";
   $header .= "Connection: Close/r/n/r/n" ;
   fwrite ( $fp , $header );
   while (! feof ( $fp )) {
     $contents .= fgets ( $fp , 8192 );
   }
   fclose ( $fp );
   return $contents ;
}
//獲取指定內(nèi)容里的url
function get_content_url ( $host_url , $file_contents ){
   //$reg = '/^(#|<a  class='replace_word' title="JavaScript知識(shí)庫(kù)" target='_blank' style='color:#df3434; font-weight:bold;'>JavaScript</a>.*?|ftp:////.+|http:////.+|.*?href.*?|play.*?|index.*?|.*?asp)+$/i';
   //$reg = '/^(down.*?/.html|/d+_/d+/.htm.*?)$/i';
   $rex = "/([hH][rR][eE][Ff])/s*=/s*['/"]*([^>'/"/s]+)[/"'>]*/s*/i" ;
   $reg = '/^(down.*?/.html)$/i' ;
   preg_match_all ( $rex , $file_contents , $r );
   $result = "" ; //array();
   foreach( $r as $c ){
    if ( is_array ( $c )){
      foreach( $c as $d ){
        if ( preg_match ( $reg , $d )){ $result .= $host_url . $d . "/n" ; }
      }
    }
  }
  return $result ;
}
//獲取指定內(nèi)容中的多媒體文件
function get_content_object ( $str , $split = "|--:**:--|" ){
   $regx = "/href/s*=/s*['/"]*([^>'/"/s]+)[/"'>]*/s*(.*?<//b>)/i" ;
   preg_match_all ( $regx , $str , $result );
  if ( count ( $result ) == 3 ){
     $result [ 2 ] = str_replace ( "多媒體： " , "" , $result [ 2 ]);
     $result [ 2 ] = str_replace ( " " , "" , $result [ 2 ]);
     $result = $result [ 1 ][ 0 ] . $split . $result [ 2 ][ 0 ] . "/n" ;
  }
  return $result ;
}
?>