掌握PHP 爬取网页的主要方法

主要流程就是获取整个网页，然后正则匹配（关键的）。

PHP抓取页面的主要方法,有几种方法是网上前辈的经验，现在还没有用到的，先存下来以后试试。

1.file()函数

2.file_get_contents()函数

3.foPEn()-> fread()-> fclose()模式

4.curl方式 （本人主要用这个）

5.fsockopen()函数 socket模式

6.插件(如：http://sourceforge.net/PRojects/snoopy/)

7.file()函数

?php//定义url$url='[http://t.QQ.COM](http://t.qq.com/)';
    //fiel函数读取内容数组$lines_array=file($url);
    //拆分数组为字符串$lines_string=implode('',$lines_array);
    //输出内容echo $lines_string;
    　

2.使用file_get_contents方法实现，比较简单。

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。

$url="[http://news.sina.com.cn/c/nd/2016-10-23/doc-ifxwztru6951143.shtML](http://news.sina.com.cn/c/nd/2016-10-23/doc-ifxwztru6951143.shtml)";
    $html=file_get_contents($url);
    //如果出现中文乱码使用下面代码`//$getcontent = iconv("gb2312", "utf-8",$html);
    echo"textarea style='width:800px;
    height:600px;
    '>
    ".$html."/textarea>
    ";
    

3.fopen()-> fread()-> fclose()模式 ，目前还没用过，看到了就先记下了

?php//定义url$url='[http://t.qq.com](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echo $lines_string;
    

4.使用curl实现（本人一般使用这个）。

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。

?phpheader("Content-type: text/html;
    charset=utf-8");
    date_default_timezone_set('PRC');
    $url = "https://***********ycare";
    //要爬取的网址$res = curl_get_contents($url);
    //curl封装方法preg_match_all('/script>
    (.*?)\/script>
    /',$res,$arr_all);
    //这个网页中数据通过js包过来，所以直接抓js就可以preg_match_all('/"id"\:"(.*?)",/',$arr_all[1][1],$arr1);
    //从js块中匹配要的数据$list = array_unique($arr1[1]);
    //（可省）保证不重复//以下则是同理，循环则可for($i=0;
    $i=6;
$i=$i+2){
      $detail_url = 'ht*****em/'.$list[$i];
      $detail_res = curl_get_contents($detail_url);
      preg_match_all('/script>
    (.*?)\/script>
    /',$detail_res,$arr_detail);
      preg_match('/"desc"\:"(.*?)",/',$arr_detail[1][1],$arr_content);
      ***    ***    ***  $ret=curl_post('http://**********CMS.php',$result);
//此脚本未放在服务器上，原因大家懂就好哈。}
function curl_get_contents($url,$cookie='',$referer='',$timeout=300,$ishead=0) {
      $curl = curl_init();
      curl_setopt($curl, CURLOPT_RETURNtransfer,1);
      curl_setopt($curl, CURLOPT_FOLLOWLOCATION,1);
      curl_setopt($curl, CURLOPT_URL,$url);
      curl_setopt($curl, CURLOPT_TIMEOUT,$timeout);
      curl_setopt($curl, CURLOPT_USERAGENT,'mozilla/5.0 (Windows NT 6.1;
     WOW64) Applewebkit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');
  if($cookie)  {
        curl_setopt( $curl, CURLOPT_COOKIE,$cookie);
  }
  if($referer)  {
        curl_setopt ($curl,CURLOPT_REFERER,$referer);
  }
      $ssl = substr($url, 0, 8) == "https://" ? TRUE : FALSE;
  if ($ssl)  {
        curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);
        curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);
  }
      $res = curl_exec($curl);
      return $res;
      curl_close($curl);
}
//curl POST数据到服务器function curl_post($url,$data){
      $ch = curl_inIT();
      curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
      //curl_setopt($ch,CURLOPT_FOLLOWLOCATION, 1);
      curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE);
      curl_setopt($ch,CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 6.1;
     WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');
      curl_setopt($ch,CURLOPT_URL,$url);
      curl_setopt($ch,CURLOPT_POST,true);
      curl_setopt($ch,CURLOPT_POSTFIELDS,$data);
      $output = curl_exec($ch);
      curl_close($ch);
      return $output;
 }
    ?>
    

5.fsockopen()函数 socket模式（没用过，以后可以试试）

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

?php$fp = fsockopen("t.qq.com", 80, $errno, $errstr, 30);
if (!$fp) {
      echo "$errstr ($errno)br />
    \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。

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 公式输入有误_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。

?php//引入snoopy的类文件require('Snoopy.class.php');
    //初始化snoopy类$snoopy=new Snoopy;
    $url="[http://t.qq.com](http://t.qq.com/)";
    //开始采集内容`$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;
    

推荐相关学习：php图文教程

以上就是掌握PHP 爬取网页的主要方法的详细内容，更多请关注其它相关文章！

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！