PHP实现小偷程序实例

php  /  管理员 发布于 7年前   124

为什么使用“小偷程序”？

远程抓取文章资讯或商品信息是很多企业要求程序员实现的功能，也就是俗说的小偷程序。其最主要的优点是：解决了公司网编繁重的工作，大大提高了效率。只需要一运行就能快速的抓取别人网站的信息。

“小偷程序”在哪里运行？

“小偷程序” 应该在 Windows 下的 DOS或 Linux 下通过 PHP 命令运行为最佳，因为，网页运行会超时。

比如图（Windows 下 DOS 为例）：

“小偷程序”的实现

这里主要通过一个实例来讲解，我们来抓取下“华强电子网”的资讯信息，请先看观察这个链接 http://www.hqew.com/info-c10.html，当您打开这个页面的时候发现这个页面会发现一些现象：

 1、资讯列表有 500 页（2012-01-03）；

 2、每页的 url 链接都有规律，比如：第1页为http://www.hqew.com/info-c10-1.html；第2页为http://www.hqew.com/info-c10-2.html；……第500页为http://www.hqew.com/info-c10-500.html；

3、由第二点就可以知道，“华强电子网” 的资讯是伪静态或者是生成的静态页面

其实，基本上大部分的网站都有这样的规律，比如：中关村在线、慧聪网、新浪、淘宝……。

这样，我们可以通过这样的思路来实现页面内容的抓取：
1、先获取文章列表页内容；
2、根据文章列表页内容循环获取文章的 url 地址；
3、根据文章的 url 地址获取文章的详细内容

这里，我们主要抓取资讯页里面的：标题（title）、发布如期（date）、作者（author）、来源（source）、内容（content）

“华强电子网”资讯抓取

首先，先建数据表结构，如下所示：

CREATE TABLE `article`.`article` ( `id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY , `title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , `date` VARCHAR( 50 ) NOT NULL , `author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , `source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , `content` TEXT NOT NULL ) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci; 

 抓取程序：
 

set_charset('UTF8'); # 设置数据库编码 function data($url) {   global $mysqli;   $result = file_get_contents($url); # $result 获取 url 链接内容（注意：这里是文章列表链接）   $pattern = '/
.+<\/span>.+<\/a><\/li>/Usi'; # 取得文章 url 的匹配正则   preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配给数组$arr(二维数组)   foreach ($arr[1] as $val) {     $val = 'http://www.hqew.com' . $val; # 真实文章 url 地址     $re = file_get_contents($val); # $re 为文章 url 的内容     $pa = '/
\s+
(.+)<\/h1>\s+
\s+发布:\s+(.+)\s+\|\s+作者:\s+(.+)\s+\|\s+来源:\s+(.*?)\s+.+
\s*(.+)\s+<\/div>\s+<\/div>/Usi'; # 取得文章内容的正则     preg_match_all($pa, $re, $array); # 把取到的内容分配到数组 $array     $content = trim($array[5][0]);      $con = array(         'title'=>mysqlString($array[1][0]),         'date'=>mysqlString($array[2][0]),          'author'=>mysqlString(stripAuthorTag($array[3][0])),         'source'=>mysqlString($array[4][0]),          'content'=>mysqlString(stripContentTag($content))       );     $sql = "INSERT INTO article(title,date,author,source,content) VALUES ('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')";     $row = $mysqli->query($sql); # 添加到数据库     if ($row) {       echo 'add success!';     } else {       echo 'add failed!';     }   } } /**  * stripOfficeTag($v) 对文章内容进行过滤，比如：去掉文章中的链接，过滤掉没用的 HTML 标签……  * @param string $v  * @return string  */ function stripContentTag($v){   $v = str_replace('
 
', '', $v);   $v = str_replace('
', '', $v);   $v = preg_replace('/(.+)<\/strong><\/a>/Usi', '\1', $v);   $v = preg_replace('%(]*>(.*))%Usi', '\2', $v);   $v = preg_replace('%(\s+class="Mso[^"]+")%si', '', $v);   $v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v);   $v = preg_replace('/<\/b>/', '', $v);   return $v; }  /**  * stripTitleTag($title) 对文章标题进行过滤  * @param string $v  * @return string  */ function stripAuthorTag($v) {   $v = preg_replace('/(.+)<\/a>/Usi', '\1', $v);   return $v; }  /**  * mysqlString($str) 过滤数据  * @param string $str  * @return string  */ function mysqlString($str) {   return addslashes(trim($str)); }  /**  * init($min, $max) 入口程序方法，从 $min 页开始取，到 $max 页结束  * @param int $min 从 1 开始  * @param int $max  * @return string 返回 URL 地址  */ function init($min=1, $max) {   for ($i=$min; $i<=$max; $i++) {     data("http://www.hqew.com/info-c10-{$i}.html");   } } init(1, 500); // 程序入口，从第一页开始抓，抓取500页 ?> 

通过上面的程序，就可以实现抓取华强电子网的资讯信息。

入口方法 init($min, $max) 如果想抓取 1-500 页面内容，那么 init(1, 500) 即可！这样，用不了多长时间，华强电子网的资讯就会全部抓取到数据库里面了。^_^

执行界面：

数据库：

您可能感兴趣的文章:

• php数组函数序列之array_pop() - 删除数组中的最后一个元素
• php array_pop()数组函数将数组最后一个单元弹出（出栈）
• PHP递归获取目录内所有文件的实现方法
• PHP之十六个魔术方法详细介绍
• php 实现一个字符串加密解密的函数实例代码
• PHP用户验证和标签推荐的简单使用
• 利用php做服务器和web前端的界面进行交互
• php将服务端的文件读出来显示在web页面实例
• PHP仿微信发红包领红包效果
• PHPCMS忘记后台密码的解决办法
• php array_pop 删除数组最后一个元素实例