PHP数据采集常用的方法 做网站很多时候需要用到数据采集入库操作

是使用PHP程序，把其他网站中的信息抓取到我们自己的数据库中、网站中。

PHP制作采集的技术：

从底层的socket到高层的文件操作函数，一共有3种方法可以实现采集。

1. 使用socket技术采集：

socket采集是最底层的，它只是建立了一个长连接，然后我们要自己构造http协议字符串去发送请求。

例如要想获取这个页面的内容，http://tv.youku.com/?spm=a2hww.20023042.topNav.5~1~3!2~A，用socket写如下：

<?php  

//连接,￥error错误编号,￥errstr错误的字符串,30s是连接超时时间  

￥fp=fsockopen("www.youku.com",80,￥errno,￥errstr,30);  

if(!￥fp) die("连接失败".￥errstr);  

//构造http协议字符串，因为socket编程是最底层的，它还没有使用http协议  

￥http="GET /?spm=a2hww.20023042.topNav.5~1~3!2~A HTTP/1.1\r\n";   //  \r\n表示前面的是一个命令  

￥http.="Host:www.youku.com\r\n";  //请求的主机  

￥http.="Connection:close\r\n\r\n";   // 连接关闭，最后一行要两个\r\n  

//发送这个字符串到服务器  

fwrite(￥fp,￥http,strlen(￥http));  

//接收服务器返回的数据  

￥data='';  

while (!feof(￥fp)) {  

￥data.=fread(￥fp,4096);  //fread读取返回的数据，一次读取4096字节  

}  

//关闭连接  

fclose(￥fp);  

var_dump(￥data);  

?>

打印出的结果如下，包含了返回的头信息及页面的源码：

2. 使用curl_一套函数

curl把HTTP协议都封装成了很多函数，直接传相应参数即可，降低了编写HTTP协议字符串的难度。

前提：在php.ini中要开启curl扩展。

2. 使用curl_一套函数

curl把HTTP协议都封装成了很多函数，直接传相应参数即可，降低了编写HTTP协议字符串的难度。

前提：在php.ini中要开启curl扩展。

[php]  view plain  copy

//生成一个curl对象  

￥curl=curl_init();  

//设置URL和相应的选项  

curl_setopt(￥curl, CURLOPT_URL, "http://www.youku.com");  

curl_setopt(￥curl, CURLOPT_RETURNTRANSFER, 1);  //将curl_exec()获取的信息以字符串返回，而不是直接输出。  

//执行curl操作  

￥data=curl_exec(￥curl);  

var_dump(￥data);  

打印出的结果如下，只包含页面的源码：

3. 直接使用file_get_contents（最顶层的）

前提：在php.ini中设置允许打开一个网络的url地址。

[php]  view plain  copy

//使用file_get_contents()  

￥data=file_get_contents("http://www.youku.com");  

var_dump(￥data);  

3种方式的选择

网络之间通信主要使用的是以上三种。其中后两种用的较多：如果要批量采集大量的数据时使用第二种【CURL】，性能好、稳定。

偶尔发几个请求发的频繁不密集时使用第三种。

扩展：图片的防盗链如何破？

比如7060网站上的图片做了防盗链：在他的网站中可以看到图片，把图片拿到站外就无法访问。

解决办法：发HTTP时自己模拟referer即可：

扩展：有些要采集数据时时必须先登录，可以使用模拟的试模拟在登录状态下的采集：

a. 先用浏览登录一下，登录完，浏览器的COOKIE中就会有SESSIONID

b. 发PHP发HTTP协议时，把浏览器中的SESSIONID放到PHP的HTTP协议请求里，这样就在以登录的状态发请求。

总结：所有客户端发过来的数据都可以被模拟，所以服务器上的程序必须要必要的地方过滤客户端的数据。

什么时候用以上东西？接口开发时、采集时。

二、数据采集

例如我要采集这个url里的所有美国电影的信息,

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

则先要知道电影所在的节点的结构，我们使用firebug查看。

然后开始写代码：完整代码如下

[php]  view plain  copy

/**

* 发一个GET请求获取数据

*/  

function get(￥url)  

{  

  global ￥curl;  

  // 配置curl中的http协议->可配置的荐可以查PHP手册中的curl_  

  curl_setopt(￥curl, CURLOPT_URL, ￥url);  

  curl_setopt(￥curl, CURLOPT_RETURNTRANSFER, TRUE);  

  curl_setopt(￥curl, CURLOPT_HEADER, FALSE);  

  // 执行这个请求  

  return curl_exec(￥curl);  

}  

// 生成一个curl对象  

￥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);  

// 匹配电影所在位置  

￥list_preg = '/<li class="yk-col4 mr1">.+<\/li>/Us';  

// 匹配img标签上的src和alt  

￥img_preg = '/<img class="quic" _src="(.*)" src="(.*)" alt="(.*)" \/>/U';  

//匹配电影的url  

￥video_preg='/<a href="(.*)" title="(.*)" target="(.*)"><\/a>/U';  

//把所有的li存到￥list里，￥list是个二维数组  

preg_match_all(￥list_preg,￥data,￥list);  

  //var_dump(￥list);  

foreach (￥list[0] as ￥k => ￥v) {   //这里￥v就是每一个li标签  

/* 获取图片及电影名称

   preg_match(￥img_preg,￥v,￥img);  //把匹配到的图片的信息存到￥img里

   var_dump(￥img);

   */  

   /*获取电影地址

   preg_match(￥video_preg,￥v,￥video);  //把匹配到的电影的信息存到￥video里

   var_dump(￥video);

*/  

   preg_match(￥img_preg,￥v,￥img);  

   preg_match(￥video_preg,￥v,￥video);  

   echo ￥img[0].'<a href="'.￥video[1].'">'.￥video[2].'</a>';  

}  

测试：

打印￥list;

打印￥img

打印￥video

最终效果

如果需要把图片拷贝到硬盘上，则在foreach循环里加上以下代码：

[php]  view plain  copy

￥imgData = get(￥img[1]);  

  // 把图片文件写到硬盘上【下载】  

  // 因为操作系统是GBK的，所以要把UTF8转成GBK  

  is_dir('./youkuimg/') ? '': mkdir('./youkuimg/');  

file_put_contents('./youkuimg/'.mb_convert_encoding(￥img[3], 'gbk', 'utf-8').'.jpg', ￥imgData);  

效果如下：在当前目录下的youkuimg目录下就会有下载好的图片。

小二CMS介绍

我们立足合肥，业务覆盖安徽、全国及全球市场。我们凭借一支经验丰富、富有创意、协作无间的专业技术团队，专注于将前沿技术通过高效简捷的途径呈现给客户，量身打造优质解决方案。我们致力于通过持续努力，成为客户在信息化领域值得托付、共创价值的长期战略合作伙伴，协助客户在新经济时代敏锐捕捉商机，拓展发展空间，构筑强大竞争力。小二CMS专注企业数字化转型的智能建站与营销系统，提供从官网搭建、品牌推广到运营增长的一站式服务，助力中小企业低门槛拥有专业级互联网阵地。

网站建设 移动相关开发 营销推广与优化 域名主机邮箱 产品与技术 企业服务

了解全部业务

扫码咨询 · 关注微信