国产超碰你懂的,亚洲天堂久久牛牛,就进入3公分在线播放

腳本之家服務(wù)器常用軟件

快捷導(dǎo)航

PHP實現(xiàn)小偷程序?qū)嵗?/h1>

更新時間：2016年10月31日 11:17:50 作者：ruxingli

本篇文章主要介紹了PHP實現(xiàn)小偷程序?qū)嵗瑢崿F(xiàn)了抓取網(wǎng)頁咨詢和商品信息的功能，具有一定的參考價值，感興趣的小伙伴們可以參考一下。

為什么使用“小偷程序”？

遠程抓取文章資訊或商品信息是很多企業(yè)要求程序員實現(xiàn)的功能，也就是俗說的小偷程序。其最主要的優(yōu)點是：解決了公司網(wǎng)編繁重的工作，大大提高了效率。只需要一運行就能快速的抓取別人網(wǎng)站的信息。

“小偷程序”在哪里運行？

“小偷程序” 應(yīng)該在 Windows 下的 DOS或 Linux 下通過 PHP 命令運行為最佳，因為，網(wǎng)頁運行會超時。

比如圖（Windows 下 DOS 為例）：

“小偷程序”的實現(xiàn)

這里主要通過一個實例來講解，我們來抓取下“華強電子網(wǎng)”的資訊信息，請先看觀察這個鏈接 http://www.hqew.com/info-c10.html，當(dāng)您打開這個頁面的時候發(fā)現(xiàn)這個頁面會發(fā)現(xiàn)一些現(xiàn)象：

1、資訊列表有 500 頁（2012-01-03）；

2、每頁的 url 鏈接都有規(guī)律，比如：第1頁為http://www.hqew.com/info-c10-1.html；第2頁為http://www.hqew.com/info-c10-2.html；……第500頁為http://www.hqew.com/info-c10-500.html；

3、由第二點就可以知道，“華強電子網(wǎng)” 的資訊是偽靜態(tài)或者是生成的靜態(tài)頁面

其實，基本上大部分的網(wǎng)站都有這樣的規(guī)律，比如：中關(guān)村在線、慧聰網(wǎng)、新浪、淘寶……。

這樣，我們可以通過這樣的思路來實現(xiàn)頁面內(nèi)容的抓?。?br /> 1、先獲取文章列表頁內(nèi)容；
2、根據(jù)文章列表頁內(nèi)容循環(huán)獲取文章的 url 地址；
3、根據(jù)文章的 url 地址獲取文章的詳細內(nèi)容

這里，我們主要抓取資訊頁里面的：標(biāo)題（title）、發(fā)布如期（date）、作者（author）、來源（source）、內(nèi)容（content）

“華強電子網(wǎng)”資訊抓取

首先，先建數(shù)據(jù)表結(jié)構(gòu)，如下所示：

CREATE TABLE `article`.`article` ( 
`id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY , 
`title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , 
`date` VARCHAR( 50 ) NOT NULL , 
`author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , 
`source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , 
`content` TEXT NOT NULL 
) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci;

抓取程序：

<?php 
/** 
* 抓取“華強電子網(wǎng)”資訊程序 
* author Lee. 
* Last modify $Date: 2012-1-3 15:39:35 $ 
*/ 
header('Content-Type:text/html;Charset=utf-8'); 
$mysqli = new mysqli('localhost', 'root', '1715544', 'article'); # 數(shù)據(jù)庫連接，請手動修改您自己的數(shù)據(jù)庫信息 
$mysqli->set_charset('UTF8'); # 設(shè)置數(shù)據(jù)庫編碼 
function data($url) { 
  global $mysqli; 
  $result = file_get_contents($url); # $result 獲取 url 鏈接內(nèi)容（注意：這里是文章列表鏈接） 
  $pattern = '/<li><span class="box_r">.+<\/span><a href="([^"]+)" title=".+" >.+<\/a><\/li>/Usi'; # 取得文章 url 的匹配正則 
  preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配給數(shù)組$arr(二維數(shù)組) 
  foreach ($arr[1] as $val) { 
    $val = 'http://www.hqew.com' . $val; # 真實文章 url 地址 
    $re = file_get_contents($val); # $re 為文章 url 的內(nèi)容 
    $pa = '/<div id="article">\s+<h1>(.+)<\/h1>\s+<p id="article\_extinfo">\s+發(fā)布:\s+(.+)\s+\|\s+作者:\s+(.+)\s+\|\s+來源:\s+(.*?)\s+<span style="display:none" >.+<div id="article_body">\s*(.+)\s+<\/div>\s+<\/div><!--article end-->/Usi'; # 取得文章內(nèi)容的正則 
    preg_match_all($pa, $re, $array); # 把取到的內(nèi)容分配到數(shù)組 $array 
    $content = trim($array[5][0]);  
    $con = array( 
        'title'=>mysqlString($array[1][0]), 
        'date'=>mysqlString($array[2][0]),  
        'author'=>mysqlString(stripAuthorTag($array[3][0])), 
        'source'=>mysqlString($array[4][0]),  
        'content'=>mysqlString(stripContentTag($content)) 
      ); 
    $sql = "INSERT INTO article(title,date,author,source,content) VALUES ('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')"; 
    $row = $mysqli->query($sql); # 添加到數(shù)據(jù)庫 
    if ($row) { 
      echo 'add success!'; 
    } else { 
      echo 'add failed!'; 
    } 
  } 
} 
/** 
 * stripOfficeTag($v) 對文章內(nèi)容進行過濾，比如：去掉文章中的鏈接，過濾掉沒用的 HTML 標(biāo)簽…… 
 * @param string $v 
 * @return string 
 */ 
function stripContentTag($v){ 
  $v = str_replace('<p> </p>', '', $v); 
  $v = str_replace('<p />', '', $v); 
  $v = preg_replace('/<a href=".+" target="\_blank"><strong>(.+)<\/strong><\/a>/Usi', '\1', $v); 
  $v = preg_replace('%(<span\s*[^>]*>(.*)</span>)%Usi', '\2', $v); 
  $v = preg_replace('%(\s+class="Mso[^"]+")%si', '', $v); 
  $v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v); 
  $v = preg_replace('/<b><\/b>/', '', $v); 
  return $v; 
} 
 
/** 
 * stripTitleTag($title) 對文章標(biāo)題進行過濾 
 * @param string $v 
 * @return string 
 */ 
function stripAuthorTag($v) { 
  $v = preg_replace('/<a href=".+" target="\_blank">(.+)<\/a>/Usi', '\1', $v); 
  return $v; 
} 
 
/** 
 * mysqlString($str) 過濾數(shù)據(jù) 
 * @param string $str 
 * @return string 
 */ 
function mysqlString($str) { 
  return addslashes(trim($str)); 
} 
 
/** 
 * init($min, $max) 入口程序方法，從 $min 頁開始取，到 $max 頁結(jié)束 
 * @param int $min 從 1 開始 
 * @param int $max 
 * @return string 返回 URL 地址 
 */ 
function init($min=1, $max) { 
  for ($i=$min; $i<=$max; $i++) { 
    data("http://www.hqew.com/info-c10-{$i}.html"); 
  } 
} 
init(1, 500); // 程序入口，從第一頁開始抓，抓取500頁 
?>

通過上面的程序，就可以實現(xiàn)抓取華強電子網(wǎng)的資訊信息。

入口方法 init($min, $max) 如果想抓取 1-500 頁面內(nèi)容，那么 init(1, 500) 即可！這樣，用不了多長時間，華強電子網(wǎng)的資訊就會全部抓取到數(shù)據(jù)庫里面了。^_^

執(zhí)行界面：