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

1. <?php 
2.  
3. //定义url 
4.  
5. $url='[http://t.qq.com](http://t.qq.com/)';//fiel函数读取内容数组 
6.  
7. $lines_array=file($url);//拆分数组为字符串 
8.  
9. $lines_string=implode('',$lines_array);//输出内容 
10.  
11. 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。

1. $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)"; 
2.  
3. $html=file_get_contents($url); 
4.  
5. //如果出现中文乱码使用下面代码` 
6.  
7. //$getcontent = iconv("gb2312", "utf-8",$html); 
8.  
9. 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

1. <?php 
2.  
3. //定义url 
4.  
5. $url='[http://t.qq.com](http://t.qq.com/)';//fopen以二进制方式打开  
6.  
7. $handle=fopen($url,"rb");//变量初始化 
8.  
9. $lines_string="";//循环读取数据 
10.  
11. do{ 
12.  
13. $data=fread($handle,1024);   
14.  
15. if(strlen($data)==0) {` 
16.  
17. break;  
18.  
19. }  
20.  
21. $lines_string.=$data; 
22.  
23. }while(true);//关闭fopen句柄，释放资源 
24.  
25. fclose($handle);//输出内容 
26.  
27. 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。

1. <?php 
2.  
3. header("Content-Type: text/html;charset=utf-8"); 
4.  
5. date_default_timezone_set('PRC'); 
6.  
7. $url = "https://***********ycare";//要爬取的网址 
8.  
9. $res = curl_get_contents($url);//curl封装方法 
10.  
11. 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 
12.  
13. preg_match_all('/"id"\:"(.*?)",/',$arr_all[1][1],$arr1);//从js块中匹配要的数据 
14.  
15. $list = array_unique($arr1[1]);//（可省）保证不重复 
16.  
17. //以下则是同理，循环则可 
18.  
19. for($i=0;$i<=6;$i=$i+2){ 
20.  
21.   $detail_url = 'ht*****em/'.$list[$i]; 
22.  
23.   $detail_res = curl_get_contents($detail_url); 
24.  
25.   preg_match_all('/<script>(.*?)<\/script>/',$detail_res,$arr_detail); 
26.  
27.   preg_match('/"desc"\:"(.*?)",/',$arr_detail[1][1],$arr_content); 
28.  
29.   *** 
30.  
31.     *** 
32.  
33.     *** 
34.  
35.   $ret=curl_post('http://**********cms.php',$result);//此脚本未放在服务器上，原因大家懂就好哈。 
36.  
37. } 
38.  
39. function curl_get_contents($url,$cookie='',$referer='',$timeout=300,$ishead=0) { 
40.  
41.   $curl = curl_init(); 
42.  
43.   curl_setopt($curl, CURLOPT_RETURNTRANSFER,1); 
44.  
45.   curl_setopt($curl, CURLOPT_FOLLOWLOCATION,1); 
46.  
47.   curl_setopt($curl, CURLOPT_URL,$url); 
48.  
49.   curl_setopt($curl, CURLOPT_TIMEOUT,$timeout); 
50.  
51.   curl_setopt($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'); 
52.  
53.   if($cookie) 
54.  
55.   { 
56.  
57.     curl_setopt( $curl, CURLOPT_COOKIE,$cookie); 
58.  
59.   } 
60.  
61.   if($referer) 
62.  
63.   { 
64.  
65.     curl_setopt ($curl,CURLOPT_REFERER,$referer); 
66.  
67.   } 
68.  
69.   $ssl = substr($url, 0, 8) == "https://" ? TRUE : FALSE; 
70.  
71.   if ($ssl) 
72.  
73.   { 
74.  
75.     curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false); 
76.  
77.     curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false); 
78.  
79.   } 
80.  
81.   $res = curl_exec($curl); 
82.  
83.   return $res; 
84.  
85.   curl_close($curl); 
86.  
87. } 
88.  
89. //curl post数据到服务器 
90.  
91. function curl_post($url,$data){ 
92.  
93.   $ch = curl_init(); 
94.  
95.   curl_setopt($ch,CURLOPT_RETURNTRANSFER,1); 
96.  
97.   //curl_setopt($ch,CURLOPT_FOLLOWLOCATION, 1); 
98.  
99.   curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE); 
100.  
101.   curl_setopt($ch,CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'); 
102.  
103.   curl_setopt($ch,CURLOPT_URL,$url); 
104.  
105.   curl_setopt($ch,CURLOPT_POST,true); 
106.  
107.   curl_setopt($ch,CURLOPT_POSTFIELDS,$data); 
108.  
109.   $output = curl_exec($ch); 
110.  
111.   curl_close($ch); 
112.  
113.   return $output;  
114.  
115. } 
116.  
117. ?> 

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

1. <?php 
2.  
3. $fp = fsockopen("t.qq.com", 80, $errno, $errstr, 30); 
4.  
5. if (!$fp) { 
6.  
7.   echo "$errstr ($errno)<br />\n"; 
8.  
9. } else { 
10.  
11.   $out = "GET / HTTP/1.1\r\n"; 
12.  
13.   $out .= "Host: t.qq.com\r\n"; 
14.  
15.   $out .= "Connection: Close\r\n\r\n"; 
16.  
17.   fwrite($fp, $out); 
18.  
19.   while (!feof($fp)) { 
20.  
21.     echo fgets($fp, 128); 
22.  
23.   } 
24.  
25.   fclose($fp); 
26.  
27. } 

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。

1. <?php 
2.  
3. //引入snoopy的类文件 
4.  
5. require('Snoopy.class.php'); 
6.  
7. //初始化snoopy类 
8.  
9. $snoopy=new Snoopy; 
10.  
11. $url="[http://t.qq.com](http://t.qq.com/)"; 
12.  
13. //开始采集内容` 
14.  
15. $snoopy->fetch($url); 
16.  
17. //保存采集内容到$lines_string 
18.  
19. $lines_string=$snoopy->results; 
20.  
21. //输出内容，嘿嘿，大家也可以保存在自己的服务器上 
22.  
23. echo $lines_string;

Tags: PHP爬取网页

分享到：