利用PHP制作简单的内容采集器的代码


Posted in PHP onNovember 28, 2007

采集器,通常又叫小偷程序,主要是用来抓取别人网页内容的。关于采集器的制作,其实并不难,就是远程打开要采集的网页,然后用正则表达式将需要的内容匹配出来,只要稍微有点正则表达式的基础,都能做出自己的采集器来的。 

前几天做了个小说连载的程序,因为怕更新麻烦,顺带就写了个采集器,采集八路中文网的,功能比较简单,不能自定义规则,不过大概思路都在里面了,自定义规则可以自己来扩展。 

用php来做采集器主要用到两个函数:file_get_contents()和preg_match_all(),前一个是远程读取网页内容的,不过只在php5以上的版本才能用,后一个是正则函数,用来提取需要的内容的。 

下面就一步一步来讲功能实现。 

因为是采集小说,所以首先要将书名、作者、类型这三个提取出来,别的信息可根据需要提取。

这里以《回到明朝当王爷》为目标,先打开书目页,链接:http://www.86zw.com/Book/3727/Index.aspx

多打开几本书会发现,书名的基本格式是:http://www.86zw.com/Book/书号/Index.aspx,于是我们可以做一个开始页,定义一个<input type=text name=number>,用来输入需要采集的书号,以后就可以通过$_POST[‘number']这种格式来接收需要采集的书号了。接收到书号,下面要做的就是构造书目页:$url=http://www.86zw.com/Book/$_POST[‘number']/Index.aspx,当然这里是举个例子,主要是为了讲解方便,实际制作的时候最好检查一下$_POST[‘number']的合法性。 

构造好URL以后就可以开始采集书籍信息了。使用file_get_contents() 函数打开书目页:$content=file_get_contents($url),这样就能将书目页的内容都读取出来了。接下来就是将书名、作者和类型等信息匹配出来了。这里就以书名为例,其他的都一样。 打开书目页,查看源文件,找到“<span class="booktitle">《回到明朝当王爷》</span>”,这就是要提取出来的书名了。提取书名的正则表达式:/<span class=\"newstitle\">(.*?)\<\/span>/is,使用preg_match_all()函数将书名取出:preg_match_all("/<span class=\"newstitle\">(.*?)\<\/span>/is",$contents,$title);这样$title[0][0]的内容就是我们要的标题了(preg_match_all函数的用法可以去百度查,这里就不详细说明了)。取出了书籍信息,接下来就是取章节内容了,要取章节内容,首先要做的就是找到每一章的地址,然后远程打开章节,用正则将内容取出来,入库或者直接生成html静态文件。这个是章节列表的地址:http://www.86zw.com/Html/Book/18/3727/List.shtm,可以看出这个和书目页一样,是有规律可寻的:http://www.86zw.com/Html/Book/分类号/书号/List.shtm。书号前面已经取得,这里的关键是找到分类号,分类号可以在前面的书目页找到,提取分类号:

preg_match_all("/Html\/Book\/[0-9]{1,}\/[0-9]{1,}\/List\.shtm/is",$contents,$typeid);这样还不够,还需要一个切取函数:
PHP代码如下:

function cut($string,$start,$end){  
$message = explode($start,$string);  
$message = explode($end,$message[1]); return $message[0];}其中$string为要被切取的内容,$start为开始的地方,$end为结束的地方。取出分类号:  $start = "Html/Book/";  
$end  
= "List.shtm";  
$typeid = cut($typeid[0][0],$start,$end);  
$typeid = explode("/",$typeid);[/php]  

这样,$typeid[0]就是我们要找的分类号了。接下来就是构造章节列表的地址了:$chapterurl = http://www.86zw.com/Html/Book/.$typeid[0]/$_POST[‘number']/List.shtm。有了这个就能找到每一章节的地址了。方法如下:

$ustart = "\"";   
$uend  
= "\"";   
//t表示title的缩写  
$tstart = ">";   
$tend  
= "<";   
//取路径,例如:123.shtm,2342.shtm,233.shtm  
preg_match_all("/\"[0-9]{1,}\.(shtm)\"/is",$chapterurl,$url);   
//取标题,例如:第一章 九世善人  
preg_match_all("/<a href=\"[0-9]{1,}\.shtm\"(.*?)\<\/a>/is",$file,$title);   
$count = count($url[0]);  
for($i=0;$i<=$count;$i++)  
{  
$u = cut($url[0][$i],$ustart,$uend);  
$t = cut($title[0][$i],$tstart,$tend);  
$array[$u] = $t;  
}  

$array数组就是所有的章节地址了,到这里,采集器就完成一半了,剩下的就是循环打开每个章节地址,读取,然后将内容匹配出来。这个比较简单,这里就不详细叙述了。好了,今天就先写到这吧,第一次写这么长的文章,语言组织方面难免有问题,还请大家多包涵!
本篇文章来源于 站长资讯网 原文链接:http://webdevelop.chinahtml.com/2/2007/php-119440156516960.shtml

PHP 相关文章推荐
用PHP发电子邮件
Oct 09 PHP
php对gzip文件或者字符串解压实例参考
Jul 25 PHP
php笔记之:php函数range() round()和list()的使用说明
Apr 26 PHP
PHP-Fcgi下PHP的执行时间设置方法
Aug 02 PHP
PHP对象递归引用造成内存泄漏分析
Aug 28 PHP
Laravel 4 初级教程之视图、命名空间、路由
Oct 30 PHP
PHP自带ZIP压缩、解压缩类ZipArchiv使用指南
Mar 03 PHP
PHP变量赋值、代入给JavaScript中的变量
Jun 29 PHP
详解php比较操作符的安全问题
Dec 03 PHP
XHProf报告字段含义的解析
May 17 PHP
PHP用正则匹配form表单中所有元素的类型和属性值实例代码
Feb 28 PHP
Yii 2中的load()和save()示例详解
Aug 03 PHP
php a simple smtp class
Nov 26 #PHP
PHP 文件上传进度条的两种实现方法的代码
Nov 25 #PHP
分页详解 从此分页无忧(PHP+mysql)
Nov 23 #PHP
php Mysql日期和时间函数集合
Nov 16 #PHP
PHP编程中字符串处理的5个技巧小结
Nov 13 #PHP
表单复选框向PHP传输数据的代码
Nov 13 #PHP
实用函数10
Nov 08 #PHP
You might like
linux命令之调试工具strace的深入分析
2013/06/03 PHP
PHP如何将log信息写入服务器中的log文件
2015/07/29 PHP
PHP+Apache+Mysql环境搭建教程
2016/08/01 PHP
关于PHP转换超过2038年日期出错的问题解决
2017/06/28 PHP
Laravel框架路由管理简单示例
2019/05/07 PHP
PHP实现简单用户登录界面
2019/10/23 PHP
用Javascript实现Sleep暂停功能代码
2010/09/03 Javascript
css transform 3D幻灯片特效实现步骤解读
2013/03/27 Javascript
让低版本浏览器支持input的placeholder属性(js方法)
2013/04/03 Javascript
给事件响应函数传参数的四种方式小结
2013/12/05 Javascript
Jquery each方法跳出循环,并获取返回值(实例讲解)
2013/12/12 Javascript
JavaScript插件化开发教程 (四)
2015/01/27 Javascript
JavaScript在浏览器标题栏上显示当前日期和时间的方法
2015/03/19 Javascript
JS+Canvas 实现下雨下雪效果
2016/05/18 Javascript
关于BootStrap modal 在IOS9中不能弹出的解决方法(IOS 9 bootstrap modal ios 9 noticework)
2016/12/14 Javascript
js实现的简练高效拖拽功能示例
2016/12/21 Javascript
jQuery基于正则表达式的表单验证功能示例
2017/01/21 Javascript
JS实现图片预览的两种方式
2017/06/27 Javascript
vue favicon设置以及动态修改favicon的方法
2018/12/21 Javascript
了解javascript中let和var及const关键字的区别
2019/05/24 Javascript
Bootstrap 时间日历插件bootstrap-datetimepicker配置与应用小结
2019/05/28 Javascript
python with statement 进行文件操作指南
2014/08/22 Python
Python读写txt文本文件的操作方法全解析
2016/06/26 Python
pip安装Python库时遇到的问题及解决方法
2017/11/23 Python
python3.x提取中文的正则表达式示例代码
2019/07/23 Python
python生成并处理uuid的实现方式
2020/03/03 Python
python能做哪些生活有趣的事情
2020/09/09 Python
一款基于css3的动画按钮代码教程
2014/11/23 HTML / CSS
智能室内花园:Click & Grow
2021/01/29 全球购物
垃圾回收的优点和原理。并考虑2种回收机制
2016/10/16 面试题
会计电算化毕业生自荐信
2014/03/03 职场文书
工伤调解协议书
2016/03/21 职场文书
导游词之山东红叶谷
2019/10/31 职场文书
Angular CLI发布路径的配置项浅析
2021/03/29 Javascript
新手必备Python开发环境搭建教程
2021/05/28 Python
基于redis+lua进行限流的方法
2022/07/23 Redis