什么叫采集？

就是使用PHP程序，把其他網(wǎng)站中的信息抓取到我們自己的數(shù)據(jù)庫(kù)中、網(wǎng)站中。

PHP制作采集的技術(shù)：

從底層的socket到高層的文件操作函數(shù)，一共有3種方法可以實(shí)現(xiàn)采集。

1. 使用socket技術(shù)采集：

socket采集是最底層的，它只是建立了一個(gè)長(zhǎng)連接，然后我們要自己構(gòu)造http協(xié)議字符串去發(fā)送請(qǐng)求。

例如要想獲取這個(gè)頁(yè)面的內(nèi)容，http://tv.youku.com/?spm=a2hww.20023042.topNav.5~1~3!2~A，用socket寫如下：

[php]view plaincopy

<?php
//連接,$error錯(cuò)誤編號(hào),$errstr錯(cuò)誤的字符串,30s是連接超時(shí)時(shí)間
$fp=fsockopen("www.youku.com",80,$errno,$errstr,30);
if(!$fp)die("連接失敗".$errstr);

//構(gòu)造http協(xié)議字符串，因?yàn)閟ocket編程是最底層的，它還沒(méi)有使用http協(xié)議
$http="GET/?spm=a2hww.20023042.topNav.5~1~3!2~AHTTP/1.1
";//
表示前面的是一個(gè)命令
$http.="Host:www.youku.com
";//請(qǐng)求的主機(jī)
$http.="Connection:close

";//連接關(guān)閉，最后一行要兩個(gè)


//發(fā)送這個(gè)字符串到服務(wù)器
fwrite($fp,$http,strlen($http));
//接收服務(wù)器返回的數(shù)據(jù)
$data='';
while(!feof($fp)){
$data.=fread($fp,4096);//fread讀取返回的數(shù)據(jù)，一次讀取4096字節(jié)
}
//關(guān)閉連接
fclose($fp);
var_dump($data);
?>

打印出的結(jié)果如下，包含了返回的頭信息及頁(yè)面的源碼：

2.使用curl_一套函數(shù)

curl把HTTP協(xié)議都封裝成了很多函數(shù)，直接傳相應(yīng)參數(shù)即可，降低了編寫HTTP協(xié)議字符串的難度。

前提：在php.ini中要開啟curl擴(kuò)展。

[php]view plaincopy

//生成一個(gè)curl對(duì)象
$curl=curl_init();
//設(shè)置URL和相應(yīng)的選項(xiàng)
curl_setopt($curl,CURLOPT_URL,"http://www.youku.com");
curl_setopt($curl,CURLOPT_RETURNTRANSFER,1);//將curl_exec()獲取的信息以字符串返回，而不是直接輸出。
//執(zhí)行curl操作
$data=curl_exec($curl);
var_dump($data);

打印出的結(jié)果如下，只包含頁(yè)面的源碼：

3.直接使用file_get_contents（最頂層的）

前提：在php.ini中設(shè)置允許打開一個(gè)網(wǎng)絡(luò)的url地址。

[php]view plaincopy

//使用file_get_contents()
$data=file_get_contents("http://www.youku.com");
var_dump($data);

3種方式的選擇

網(wǎng)絡(luò)之間通信主要使用的是以上三種。其中后兩種用的較多：如果要批量采集大量的數(shù)據(jù)時(shí)使用第二種【CURL】，性能好、穩(wěn)定。

偶爾發(fā)幾個(gè)請(qǐng)求發(fā)的頻繁不密集時(shí)使用第三種。

擴(kuò)展：圖片的防盜鏈如何破？

比如7060網(wǎng)站上的圖片做了防盜鏈：在他的網(wǎng)站中可以看到圖片，把圖片拿到站外就無(wú)法訪問(wèn)。

原理：在HTTP協(xié)議中有一個(gè)referer項(xiàng)，代表發(fā)這個(gè)請(qǐng)求的來(lái)源地址，服務(wù)器會(huì)判斷如果這個(gè)請(qǐng)求不是這個(gè)網(wǎng)站發(fā)來(lái)的就會(huì)過(guò)濾掉這個(gè)請(qǐng)求：

解決辦法：發(fā)HTTP時(shí)自己模擬referer即可：

擴(kuò)展：有些要采集數(shù)據(jù)時(shí)時(shí)必須先登錄，可以使用模擬的試模擬在登錄狀態(tài)下的采集：

a.先用瀏覽登錄一下，登錄完，瀏覽器的COOKIE中就會(huì)有SESSIONID

b. 發(fā)PHP發(fā)HTTP協(xié)議時(shí)，把瀏覽器中的SESSIONID放到PHP的HTTP協(xié)議請(qǐng)求里，這樣就在以登錄的狀態(tài)發(fā)請(qǐng)求。

總結(jié)：所有客戶端發(fā)過(guò)來(lái)的數(shù)據(jù)都可以被模擬，所以服務(wù)器上的程序必須要必要的地方過(guò)濾客戶端的數(shù)據(jù)。

什么時(shí)候用以上東西？接口開發(fā)時(shí)、采集時(shí)。

二、數(shù)據(jù)采集

例如我要采集這個(gè)url里的所有美國(guó)電影的信息,

http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html

則先要知道電影所在的節(jié)點(diǎn)的結(jié)構(gòu)，我們使用firebug查看。

然后開始寫代碼：完整代碼如下

[php]view plaincopy

/**
*發(fā)一個(gè)GET請(qǐng)求獲取數(shù)據(jù)
*/
functionget($url)
{
global$curl;
//配置curl中的http協(xié)議->可配置的薦可以查PHP手冊(cè)中的curl_
curl_setopt($curl,CURLOPT_URL,$url);
curl_setopt($curl,CURLOPT_RETURNTRANSFER,TRUE);
curl_setopt($curl,CURLOPT_HEADER,FALSE);
//執(zhí)行這個(gè)請(qǐng)求
returncurl_exec($curl);
}

//生成一個(gè)curl對(duì)象
$curl=curl_init();
$url='http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html';
$data=get($url);
//匹配電影所在位置
$list_preg='/<liclass="yk-col4mr1">.+</li>/Us';
//匹配img標(biāo)簽上的src和alt
$img_preg='/<imgclass="quic"_src="(.*)"src="(.*)"alt="(.*)"/>/U';
//匹配電影的url
$video_preg='/<ahref="(.*)"title="(.*)"target="(.*)"></a>/U';
//把所有的li存到$list里，$list是個(gè)二維數(shù)組
preg_match_all($list_preg,$data,$list);
//var_dump($list);
foreach($list[0]as$k=>$v){//這里$v就是每一個(gè)li標(biāo)簽
/*獲取圖片及電影名稱
preg_match($img_preg,$v,$img);//把匹配到的圖片的信息存到$img里
var_dump($img);
*/
/*獲取電影地址
preg_match($video_preg,$v,$video);//把匹配到的電影的信息存到$video里
var_dump($video);
*/
preg_match($img_preg,$v,$img);
preg_match($video_preg,$v,$video);
echo$img[0].'<ahref="'.$video[1].'">'.$video[2].'</a>';
}

測(cè)試：

打印$list;

打印$img

打印$video

最終效果：

如果需要把圖片拷貝到硬盤上，則在foreach循環(huán)里加上以下代碼：

[php]view plaincopy

$imgData=get($img[1]);
//把圖片文件寫到硬盤上【下載】
//因?yàn)椴僮飨到y(tǒng)是GBK的，所以要把UTF8轉(zhuǎn)成GBK
is_dir('./youkuimg/')?'':mkdir('./youkuimg/');
file_put_contents('./youkuimg/'.mb_convert_encoding($img[3],'gbk','utf-8').'.jpg',$imgData);

效果如下：在當(dāng)前目錄下的youkuimg目錄下就會(huì)有下載好的圖片。

總結(jié)

以上是生活随笔為你收集整理的PHP 3种方法实现采集网站数据的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。