PHP抓取及分析网页的方法详解

本文实例讲述了PHP抓取及分析网页的方法。分享给大家供大家参考，具体如下：

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。

<?php

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

?>

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。

<?php

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

$lines_array = file($url);

?>

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。

<?php

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

$lines_array = file($url);

$lines_string = implode('', $lines_array);

?>

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。

<?php

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

$lines_array = file($url);

$lines_string = implode('', $lines_array);

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

?>

让我们看一下代码。正如你所见，eregi()函数按下面的格式执行：

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

"(.*)"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。

<?php

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

$lines_array = file($url);

$lines_string = implode('', $lines_array); eregi("<head>(.*)</head>", $lines_string, $head);

echo $head[0];

?>

这就是全部的代码了。

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

<?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 ){

//$reg = '/^(#|<a href="http://lib.csdn.net/base/18" class='replace_word' title="JavaScript知识库" target='_blank' style='color:#df3434; font-weight:bold;'>JavaScript</a>.*?|ftp:////.+|http:////.+|.*?href.*?|play.*?|index.*?|.*?asp)+$/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 ;

}

//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>)/i" ;

preg_match_all ( $regx , $str , $result );

if ( count ( $result ) == 3 ){

$result [ 2 ] = str_replace ( "多媒体： " , "" , $result [ 2 ]);

$result [ 2 ] = str_replace ( " " , "" , $result [ 2 ]);

$result = $result [ 1 ][ 0 ] . $split . $result [ 2 ][ 0 ] . "/n" ;

}

return $result ;

}

?>

PHP抓取及分析网页的方法详解的更多相关文章

php抓取页面的几种方法详解
本篇文章是对php抓取页面的几种方法进行了详细的分析介绍,需要的朋友参考下在做一些天气预报或者RSS订阅的程序时,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 ...
C#抓取和分析网页的类
抓取和分析网页的类. 主要功能有: Ontology 1.提取网页的纯文本,去所有html标签和javascript代码 2.提取网页的链接,包括href和frame及iframe 3.提取网页的ti ...
PHP外部调用网站百度统计数据的方法详解
目的:外部调用网站的百度统计(tongji.baidu.com)数据. 条件:1.具备调用目标网站的百度统计平台管理权限 2.PHP环境支持curl函数. 原理:同PHP小偷程序原理,通过curl函数 ...
NetCloud——一个网易云音乐评论抓取和分析的Python库
在17的四月份,我曾经写了一篇关于网易云音乐爬虫的文章,还写了一篇关于评论数据可视化的文章.在这大半年的时间里,有时会有一些朋友给我发私信询问一些关于代码方面的问题.所以我最近抽空干脆将原来的代码整理 ...
Scrapy实战篇（八）之爬取教育部高校名单抓取和分析
本节我们以网址https://daxue.eol.cn/mingdan.shtml为初始链接,爬取教育部公布的正规高校名单. 思路: 1.首先以上面的地址开始链接,抓取到下面省份对应的链接. 2.在解 ...
吴裕雄--天生自然python学习笔记：WEB数据抓取与分析
Web 数据抓取技术具有非常巨大的应用需求及价值, 用 Python 在网页上收集数据,不仅抓取数据的操作简单, 而且其数据分析功能也十分强大. 通过 Python 的时lib 组件中的 urlpar ...
SNMP报文抓取与分析(二)
SNMP报文抓取与分析(二) SNMP报文抓取与分析(二) 1.SNMP报文表示简介基本编码规则BER 标识域Tag表示长度域length表示 2.SNMP报文详细分析(以一个get-respon ...
iphone抓取移动网络报文的方法
iphone抓取移动网络报文的方法对iPhone进行越狱,网上有很多教程,这里不做说明.越狱后会有cydia这个app,首先对用户身份进行设置,选用开发者身份.打开这个应用,搜索openssh,找到 ...
SNMP报文抓取与分析(一)
SNMP报文抓取与分析(一) 1.抓取SNMP报文 SNMP报文的形式大致如下图所示我们这里使用netcat这个工具来抓取snmp的PDU(协议数据单元).(因为我们并不需要前面的IP和UDP首部) ...

随机推荐

3.3 哈尔小波空间W0
在3.2节我们学习了关于(3.8)定义的Vj的性质.特别的,我们可以乘以系数从一个Vj空间变换到另一个.我们这节学习V0和V1的关系. 将f1(t)∈V1投影至V0 我们考虑一个属于V1的函数f1(t ...
Node.js基础与实战
Node.js基础与实战 Node.jsJS高级进阶 NODE原理与解析 REPL交互环境模块与NPM Buffer缓存区 fs文件操作 Stream流 TCP&UDP 异步编程 HTTP& ...
c++中的宏 #define _CLASSDEF(name) class name
#include <iostream> using namespace std; #define _CLASSDEF(name) class name; \ typedef name * ...
mysql解决Value ‘0000-00-00 00:00:00’ can not be represented as java.sql.Timestamp
同步发布:http://www.yuanrengu.com/index.php/mysqlsolvetimestamp.html 在使用mysql时,如果数据库中的字段类型是timestamp,默认为 ...
PHP中include和require的区别详解
1.概要 require()语句的性能与include()相类似,都是包括并运行指定文件.不同之处在于:对include()语句来说,在执行文件时每次都要进行读取和评估:而对于require()来说, ...
Ubuntu1404 (1)
0.初始设置 (1)开户root账号并重启系统: sudo gedit /usr/share/lightdm/lightdm.conf.d/50-ubuntu.conf, 添加greeter-show ...
xcode：关于Other Linker Flags
一.关于Other Linker Flags xcode中,在“Targets”选项下有Other Linker Flags选项,在这里可以填写xcode链接器的参数,如:-ObjC.-all_loa ...
如何解決 Homebrew Update 失敗？
相信許多用 MAC 系統的程式設計師.工程師們都有用 Homebrew 這個超好用的 Open Source 套件管理程式吧? 如果沒有的話,你可以透過以下的指令安裝: ruby -e "$ ...
Windows 7 添加MBR文件启动
bcdedit /create /d "Solaris" /application bootsector后会出现标识符如{26224d85-dbcc-11e4-86a8-e164d ...
mac-android-虚机加速
mac下进行android编程不可避免会碰到android虚拟机问题,macbook pro启动虚机时报错: Starting emulator for AVD 'NEW' emulator: ERR ...

PHP抓取及分析网页的方法详解

PHP抓取及分析网页的方法详解的更多相关文章

随机推荐

热门专题