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

1. //生成一个curl对象  

2. $curl=curl_init();  

3. //设置URL和相应的选项  

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

5. 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。  

6. //执行curl操作  

7. $data=curl_exec($curl);  

8. 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

1. //使用file_get_contents()  

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

3. 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

1. /** 

2.  * 发一个GET请求获取数据 

3.  */  

4. function get($url)  

5. {  

6.    global $curl;  

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

8.    curl_setopt($curl, CURLOPT_URL, $url);  

9.    curl_setopt($curl, CURLOPT_RETURNTRANSFER, TRUE);  

10.    curl_setopt($curl, CURLOPT_HEADER, FALSE);  

11.    // 执行这个请求  

12.    return curl_exec($curl);  

13. }  

14.    

15. // 生成一个curl对象  

16. $curl = curl_init();  

17. $url='http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html';  

18. $data=get($url);  

19. // 匹配电影所在位置  

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

21. // 匹配img标签上的src和alt  

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

23. //匹配电影的url  

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

25. //把所有的li存到$list里，$list是个二维数组  

26. preg_match_all($list_preg,$data,$list);  

27.    //var_dump($list);  

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

29. /* 获取图片及电影名称 

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

31.     var_dump($img); 

32.     */  

33.     /*获取电影地址 

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

35.     var_dump($video); 

36. */  

37.     preg_match($img_preg,$v,$img);  

38.     preg_match($video_preg,$v,$video);  

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

40. }  

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

1. $imgData = get($img[1]);  

2.    // 把图片文件写到硬盘上【下载】  

3.    // 因为操作系统是GBK的，所以要把UTF8转成GBK  

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

5. 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。

分享到微信