Re: 用PHP编程语言抓取网页的HTML内容汇总

添加时间:10-07-05 所属分类:PHP工具与代码
  又看到了一些BAIDU空间上的有关抓取网页内容的文章，汇总一下。

http://hi.baidu.com/yihongnet/blog/item ... 8c214.html

[code]<?php
/**
* 实现从指定url抓取页面回来，自己修改url_info可以随意抓取别的页面
* 使用方法1: 从浏览器上输入本php文件的路径可以执行
* 使用方法2： 采用命令行方式执行 比如 c:\php5\php -f c:\getpage.php
* 抓取结果： 会在当前目录下生成一个抓取结果页面test.html
*
* Author: Michael <lee@toplee.com>
* HomePage: http://www.toplee.com
*/
$url_info = array(
'timeout' => 5,
'hostname' => 'www.1caipiao.com',
'port' => 80,
'uri' => '/zoushi/ln35x7.asp',
);

$status_line = '';
$fp = openUrl($url_info,$status_line);
if ($status_line == "200 OK") {
$content = getUrlData($fp);
writeToFile('test.html',$content);
echo "Get page ok! Please open test.html to see the result!\r\n";
echo "Any question, ask Michael<lee@toplee.com> For help!\r\n";
} else {
echo "Get page failed! Please check your url_info paramters and try again!\r\n";
}
/////////////// 下面是用到的三个函数 ////////////////////
function openUrl($url_data,&$status_line)
{
if (!isset($url_data['hostname']) || !$url_data['hostname'] || !isset($url_data['uri']) || !$url_data['uri'])
return false;
if (!isset($url_data['port']))
$url_data['port'] = 80;
if (!isset($url_data['timeout']))
$url_data['timeout'] = 5;
$errno = '';
$errstr = '';
if (isset($url_data['proxy_host']) && $url_data['proxy_host']) {
if (!isset($url_data['proxy_port']))
$url_data['proxy_port'] = 80;
$fp = @fsockopen($url_data['proxy_host'],$url_data['proxy_port'], $errno,$errstr,$url_data['timeout']);
$uri = 'http://'.$url_data['hostname'].':'.$url_data['port'].$url_data['uri'];
$hostname = $url_data['hostname'];
} else {
$fp = @fsockopen($url_data['hostname'], $url_data['port'], $errno, $errstr, $url_data['timeout']);
$uri = $url_data['uri'];
$hostname = $url_data['hostname'];
}
if (!$fp)
return false;
$method = ((isset($url_data['method']) && $url_data['method']) ? strtoupper($url_data['method']) : 'GET');
if ($method == 'GET') {
fputs($fp, "GET $uri HTTP/1.0\r\nHost: $hostname\r\nUser-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows 98)\r\nConnection: close\r\n\r\n");
} elseif ($method == 'POST') {
$len = strlen($url_data['content']);
$post = "POST $uri HTTP/1.0\r\nHost: $hostname\r\nContent-Type: application/x-www-form-urlencoded\r\nContent-Encoding: chunked\r\nContent-Length: $len\r\nUser-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows 98)\r\nConnection: close\r\n\r\n";
//echo $post;
fputs($fp, $post);
if (isset($url_data['content']))
fputs($fp, $url_data['content']);
}
$status_line = '';
$count = 0;
while (!feof($fp)) {
$count ++;
$data = trim(fgets($fp,4096));
if ($count == 1) {
ereg("^HTTP/[0-9].[0-9] ([^\r\n]+)", $data, $regs);
$status_line = $regs[1];
}
if ($data == "") break;
}
return $fp;
}
function getUrlData(&$fp, $code=0)
{
if ( !$fp ) return '';
$data = "";
while ( !feof($fp) ) $data .= fgets($fp, 4096);
fclose($fp);
if ($code < 0)
return base64_decode($data);
elseif ($code == 0)
return $data;
else
return chunk_split(base64_encode($data));
}
function writeToFile($file,$content,$mode='w')
{
$oldmask = umask(0);
$fp = fopen($file, $mode);
if (!$fp) return false;
@fwrite($fp,$content);
@fclose($fp);
@umask($oldmask);
return true;
}
?>[/code]
这个程序实际上还是不错的，试了一下，代码也大致看了眼，感觉不错，只是不能过滤掉HTML标记。

http://hi.baidu.com/leaf2006/blog/item/ ... afc04.html

抓取和分析一个文件是非常简单的事。这个教程将通过一个例子带领你一步一步地去实现它。让我们开
始吧！

　　首先，我首必须决定我们将抓取的URL地址。可以通过在脚本中设定或通过$QUERY_STRING传递。为了简
单起见，让我们将变量直接设在脚本中。

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


　　第二步，我们抓取指定文件，并且通过file()函数将它存在一个数组里。

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


　　好了，现在在数组里已经有了文件了。但是，我们想分析的文本可能不全在一行里面。为了解决这个文
件，我们可以简单地将数组$lines_array转化成一个字符串。我们可以使用implode(x,y)函数来实现它。如
果在后面你想用explode(将字符串变量数组)，将x设成"|"或"!"或其它类似的分隔符可能会更好。但是出于
我们的目的，最好将x设成空格。y是另一个必要的参数，因为它是你想用implode()处理的数组。

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


　　现在，抓取工作就做完了，下面该进行分析了。出于这个例子的目的，我们想得到在<head>到</head>
之间的所有东西。为了分析出字符串，我们还需要叫做正规表达式的东西。
[code]
<? $url = 'http://www.php.net'; $lines_array = file($url); $lines_string = implode('', $lines_array); eregi("<head>(.*)</head>", $lines_string, $head); ?>[/code]


　　让我们看一下代码。正如你所见，eregi()函数按下面的格式执行：

e[code]regi("<head>(.*)</head>", $lines_string, $head);[/code]


　　"(.*)"表示所有东西，可以解释为，"分析在<head>和</head>间的所以东西"。$lines_string是我们正
在分析的字符串，$head是分析后的结果存放的数组。
　　最后，我们可以输数据。因为仅在<head>和</head>间存在一个实例，我们可以安全的假设数组中仅存
在着一个元素，而且就是我们想要的。让我们把它打印出来吧。

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


　　这就是全部的代码了。

PS： 如果要抓整个页面 将上边代码中的《HEAD》修改成 html

这篇文章基本上是一步一步的讲解，所用的代码和网上流传的一样。
只是对于截取head这部分，我一直没有测试成功，不知道是怎么回事。

http://hi.baidu.com/prestohuan/blog/ite ... 76872.html

使用PHP简单网页抓取和内容分析

没事的时候想抓取点网页看看，也不太懂，只是玩玩，写了点代码，聊以娱乐。

稍微有点意义的函数是：get_content_by_socket(), get_url(), get_content_url(), get_content_object 几个函数，也许能够给你点什么想法。

[code]<?php

//获取所有内容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);
}

//获取目标多媒体对象
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);
}

//遍历目录获取文件内容
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);
}


//获取指定url内容
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获取指定网页
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;
}


//获取指定内容里的url
function get_content_url($host_url, $file_contents){

//$reg = '/^(#|javascript.*?|ftp:\/\/.+|http:\/\/.+|.*?href.*?|play.*?|index.*?|.*?asp)+$/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;
}

//获取指定内容中的多媒体文件
function get_content_object($str, $split="|--:**:--|"){
$regx = "/href\s*=\s*['\"]*([^>'\"\s]+)[\"'>]*\s*(<b>.*?<\/b>)/i";
preg_match_all($regx, $str, $result);

if (count($result) == 3){
$result[2] = str_replace("<b>多媒体： ", "", $result[2]);
$result[2] = str_replace("</b>", "", $result[2]);
$result = $result[1][0] . $split .$result[2][0] . "\n";
}
return $result;
}

?>[/code]
时间关系，以后再测试这些代码。大致看了下，应该不错，看上去有过滤HTML标记的功能，只是还不知道效果如何。
  • 1
  • 2
  • 3
  • 4

前篇:济南公布驾校通过率排行榜 鲁政苑驾校垫底 后篇:PHP实现gb2312、UTF-8等字符和unicode间的编...
发表我的评论


推荐文章   一个农村女孩的独白：上大学有什么用？   90后聋哑女孩如何成为人气主播   济南这些穿越百年的老照片，老济南都不...   10块钱可以吃什么？日本小学生的答案让...   穿越百年，带你看遍济南老建筑
随机文章   网站301转向大全   超级PHP急速编程器   php 正则表达式小结   PHP 概率运算函数   PHP视频教程LAMP兄弟连原创光盘高清WMV...
广告

其他推荐

因为本站所有内容均转载自其它媒体,本意为公众提供免费服务,但并不代表本网赞同其观点,也不能对其真实性验证负责,如稿件版权单位或个人不想在本网发布,请与我联系,本人会立即将其撤除,谢谢.联系方式:atseashawk@163.com QQ:99289555