PHP抓取页面的几种方式

    文章来源:万象互联 更新时间:2013-8-1 13:42:33
分享:

我们在开发网络程序时,往往需要抓取非本地文件,一般情况下都是利用php模拟浏览器的访问,通过http请求访问url地址, 然后得到html源代码或者xml数据,得到数据我们不能直接输出,往往需要对内容进行提取,然后再进行格式化,以更加友好的方式显现出来。

下面简单说一下php抓取页面的几种方法及原理:

一、 PHP抓取页面的主要方法:

1. file()函数    

2. file_get_contents()函数  

3. fopen()->fread()->fclose()模式  

4.curl方式  

5. fsockopen()函数 socket模式  

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

二、PHP解析html或xml代码主要方式:

1. file()函数

//定义url

$url=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,嘿嘿,大家也可以保存在自己的服务器上

echo $lines_string; 

 2. file_get_contents()函数
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。

//定义url

$url=http://t.qq.com;

 //file_get_contents函数远程读取数据

$lines_string=file_get_contents($url);

 //输出内容,嘿嘿,大家也可以保存在自己的服务器上

echo htmlspecialchars($lines_string);

3. fopen()->fread()->fclose()模式

//定义url

$url=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,嘿嘿,大家也可以保存在自己的服务器上

echo $lines_string;

4. curl方式
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。?

// 创建一个新cURL资源

$url=http://t.qq.com;

$ch=curl_init();

$timeout=5;

// 设置URL和相应的选项

curl_setopt($ch, CURLOPT_URL,$url);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

curl_setopt($ch, CURLOPT_CONNECTTIMEOUT,$timeout);

// 抓取URL

$lines_string=curl_exec($ch);

// 关闭cURL资源,并且释放系统资源

curl_close($ch);

//输出内容,嘿嘿,大家也可以保存在自己的服务器上

echo $lines_string;

5. fsockopen()函数 socket模式
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。

$fp =fsockopen("t.qq.com", 80,$errno,$errstr, 30);

if (!$fp) {

echo "$errstr ($errno)\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。

?

//引入snoopy的类文件

require(Snoopy.class.php);

//初始化snoopy类

$snoopy =new Snoopy;

$url ="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;

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 $agent” (引号中的内容)。浏览器内容你可以使用PHP来获得,
使用 echo $_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。


版权说明:本站原创文章,由万象互联SEO优化发表.
本文地址:https://www.hulian.top/zixun/post/5919.html
在线咨询
  • 在线时间
  • 8:00-21:00