PHP抓取页面的几种方式

我们在开发网络程序时,往往需要抓取非本地文件,一般情况下都是利用php模拟浏览器的访问,通过http请求访问url地址, 然后得到html源代码或者xml数据,得到数据我们不能直接输出,往往需要对内容进行提取,然后再进行格式化,以更加友好的方式显现出来。

下面简单说一下php抓取页面的几种方法及原理:


一、 PHP抓取页面的主要方法:

1. file()函数

2. file_get_contents()函数

3. fopen()->fread()->fclose()模式

4.curl方式

5. fsockopen()函数 socket模式

6. 使用插件(如:http://sourceforge.net/projects/snoopy/)


二、PHP解析html或xml代码主要方式:

1. file()函数


1
2
3
4
5
6
7
8
9
//定义url
$url='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,嘿嘿,大家也可以保存在自己的服务器上
echo$lines_string; 



2. file_get_contents()函数
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。


1
2
3
4
5
6
7
//定义url
//file_get_contents函数远程读取数据
$lines_string=file_get_contents($url);
//输出内容,嘿嘿,大家也可以保存在自己的服务器上
echohtmlspecialchars($lines_string);


3. fopen()->fread()->fclose()模式


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
//定义url
//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($handle);
//输出内容,嘿嘿,大家也可以保存在自己的服务器上
echo$lines_string;


4. curl方式
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:WINDOWSsystem32下;Linux下要安装curl扩展。


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
// 创建一个新cURL资源
$ch=curl_init();
$timeout=5;
// 设置URL和相应的选项
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
// 抓取URL
$lines_string=curl_exec($ch);
// 关闭cURL资源,并且释放系统资源
curl_close($ch);
//输出内容,嘿嘿,大家也可以保存在自己的服务器上
echo$lines_string;


5. fsockopen()函数 socket模式
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。


1
2
3
4
5
6
7
8
9
10
11
12
13
14
$fp= fsockopen("t.qq.com", 80, $errno, $errstr, 30);
if(!$fp) {
echo"$errstr ($errno)
";
} else{
$out= "GET / HTTP/1.1 ";
$out.= "Host: t.qq.com ";
$out.= "Connection: Close ";
fwrite($fp, $out);
while(!feof($fp)) {
echofgets($fp, 128);
}
fclose($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。


1
2
3
4
5
6
7
8
9
10
11
12
//引入snoopy的类文件
require('Snoopy.class.php');
//初始化snoopy类
$snoopy= newSnoopy;
//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;

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 $agent” (引号中的内容)。浏览器内容你可以使用PHP来获得,
使用 echo $_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。