PHP數據采集常用的方法 做網站很多時候需要用到數據采集入庫操作

是使用PHP程序，把其他網站中的信息抓取到我們自己的數據庫中、網站中。

 

PHP制作采集的技術：

從底層的socket到高層的文件操作函數，一共有3種方法可以實現采集。

1. 使用socket技術采集：

socket采集是最底層的，它只是建立了一個長連接，然后我們要自己構造http協議字符串去發送請求。

例如要想獲取這個頁面的內容，http://tv.youku.com/?spm=a2hww.20023042.topNav.5~1~3!2~A，用socket寫如下：

<?php  
//連接,$error錯誤編號,$errstr錯誤的字符串,30s是連接超時時間  
$fp=fsockopen("www.youku.com",80,$errno,$errstr,30);  
if(!$fp) die("連接失敗".$errstr);  
   
//構造http協議字符串，因為socket編程是最底層的，它還沒有使用http協議  
$http="GET /?spm=a2hww.20023042.topNav.5~1~3!2~A HTTP/1.1\r\n";   //  \r\n表示前面的是一個命令  
$http.="Host:www.youku.com\r\n";  //請求的主機  
$http.="Connection:close\r\n\r\n";   // 連接關閉，最后一行要兩個\r\n  
   
//發送這個字符串到服務器  
fwrite($fp,$http,strlen($http));  
//接收服務器返回的數據  
$data='';  
while (!feof($fp)) {  
$data.=fread($fp,4096);  //fread讀取返回的數據，一次讀取4096字節  
}  
//關閉連接  
fclose($fp);  
var_dump($data);  
?>

打印出的結果如下，包含了返回的頭信息及頁面的源碼：

2. 使用curl_一套函數

curl把HTTP協議都封裝成了很多函數，直接傳相應參數即可，降低了編寫HTTP協議字符串的難度。

前提：在php.ini中要開啟curl擴展。

2. 使用curl_一套函數

curl把HTTP協議都封裝成了很多函數，直接傳相應參數即可，降低了編寫HTTP協議字符串的難度。

前提：在php.ini中要開啟curl擴展。

[php]  view plain  copy

1. //生成一個curl對象  

2. $curl=curl_init();  

3. //設置URL和相應的選項  

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

5. curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);  //將curl_exec()獲取的信息以字符串返回，而不是直接輸出。  

6. //執行curl操作  

7. $data=curl_exec($curl);  

8. var_dump($data);  

打印出的結果如下，只包含頁面的源碼：

3. 直接使用file_get_contents（最頂層的）

前提：在php.ini中設置允許打開一個網絡的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種方式的選擇

網絡之間通信主要使用的是以上三種。其中后兩種用的較多：如果要批量采集大量的數據時使用第二種【CURL】，性能好、穩定。

偶爾發幾個請求發的頻繁不密集時使用第三種。

 

擴展：圖片的防盜鏈如何破？

比如7060網站上的圖片做了防盜鏈：在他的網站中可以看到圖片，把圖片拿到站外就無法訪問。

解決辦法：發HTTP時自己模擬referer即可：

擴展：有些要采集數據時時必須先登錄，可以使用模擬的試模擬在登錄狀態下的采集：

a. 先用瀏覽登錄一下，登錄完，瀏覽器的COOKIE中就會有SESSIONID

b. 發PHP發HTTP協議時，把瀏覽器中的SESSIONID放到PHP的HTTP協議請求里，這樣就在以登錄的狀態發請求。

總結：所有客戶端發過來的數據都可以被模擬，所以服務器上的程序必須要必要的地方過濾客戶端的數據。

什么時候用以上東西？接口開發時、采集時。

二、數據采集

例如我要采集這個url里的所有美國電影的信息,

http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html

則先要知道電影所在的節點的結構，我們使用firebug查看。

然后開始寫代碼：完整代碼如下

[php]  view plain  copy

1. /** 

2.  * 發一個GET請求獲取數據 

3.  */  

4. function get($url)  

5. {  

6.    global $curl;  

7.    // 配置curl中的http協議->可配置的薦可以查PHP手冊中的curl_  

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

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

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

11.    // 執行這個請求  

12.    return curl_exec($curl);  

13. }  

14.    

15. // 生成一個curl對象  

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. // 匹配電影所在位置  

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

21. // 匹配img標簽上的src和alt  

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

23. //匹配電影的url  

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

25. //把所有的li存到$list里，$list是個二維數組  

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

27.    //var_dump($list);  

28. foreach ($list[0] as $k => $v) {   //這里$v就是每一個li標簽  

29. /* 獲取圖片及電影名稱 

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

31.     var_dump($img); 

32.     */  

33.     /*獲取電影地址 

34.     preg_match($video_preg,$v,$video);  //把匹配到的電影的信息存到$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. }  

測試：

打印$list;

打印$img

打印$video

最終效果

如果需要把圖片拷貝到硬盤上，則在foreach循環里加上以下代碼：

[php]  view plain  copy

1. $imgData = get($img[1]);  

2.    // 把圖片文件寫到硬盤上【下載】  

3.    // 因為操作系統是GBK的，所以要把UTF8轉成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：在當前目錄下的youkuimg目錄下就會有下載好的圖片。