文章摘要
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。
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：
//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 = '/
// 匹配img标签上的src和alt
￥img_preg = '//U';
//匹配电影的url
￥video_preg='/<\/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].''.￥video[2].'';
}
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。
公安备案：皖公网安备34019102000119号