利用PHP制作簡(jiǎn)單的內(nèi)容采集器_PHP教程

教程Tag：暫無Tag,歡迎添加,賺取U幣!

推薦：傳奇的誕生,PHP三位創(chuàng)始人簡(jiǎn)介
PHP到現(xiàn)在為止已經(jīng)誕生12年了。在這期間它經(jīng)過不斷改善，已經(jīng)成為Web開發(fā)最重要的語言之一。PHP能有今天這樣的成就，它的3位創(chuàng)始人(Rasmus Lerdorf、Zeev Suraski和Andi Gutmans)功不可沒。 P

采集器，通常又叫小偷程序，主要是用來抓取別人網(wǎng)頁內(nèi)容的。關(guān)于采集器的制作，其實(shí)并不難，就是遠(yuǎn)程打開要采集的網(wǎng)頁，然后用正則表達(dá)式將需要的內(nèi)容匹配出來，只要稍微有點(diǎn)正則表達(dá)式的基礎(chǔ)，都能做出自己的采集器來的。

前幾天做了個(gè)小說連載的程序，因?yàn)榕赂侣闊槑Ь蛯懥藗€(gè)采集器，采集八路中文網(wǎng)的，功能比較簡(jiǎn)單，不能自定義規(guī)則，不過大概思路都在里面了，自定義規(guī)則可以自己來擴(kuò)展。

用php來做采集器主要用到兩個(gè)函數(shù)：file_get_contents()和preg_match_all()，前一個(gè)是遠(yuǎn)程讀取網(wǎng)頁內(nèi)容的，不過只在php5以上的版本才能用，后一個(gè)是正則函數(shù)，用來提取需要的內(nèi)容的。

下面就一步一步來講功能實(shí)現(xiàn)。

因?yàn)槭遣杉≌f，所以首先要將書名、作者、類型這三個(gè)提取出來，別的信息可根據(jù)需要提取。

這里以《回到明朝當(dāng)王爺》為目標(biāo)，先打開書目頁，鏈接：http://www.86zw.com/Book/3727/Index.aspx

多打開幾本書會(huì)發(fā)現(xiàn)，書名的基本格式是：http://www.86zw.com/Book/書號(hào)/Index.aspx，于是我們可以做一個(gè)開始頁，定義一個(gè)<input type=text name=number>，用來輸入需要采集的書號(hào)，以后就可以通過$_POST[‘number’]這種格式來接收需要采集的書號(hào)了。接收到書號(hào)，下面要做的就是構(gòu)造書目頁：$url=http://www.86zw.com/Book/$_POST[‘number’]/Index.aspx，當(dāng)然這里是舉個(gè)例子，主要是為了講解方便，實(shí)際制作的時(shí)候最好檢查一下$_POST[‘number’]的合法性。

構(gòu)造好URL以后就可以開始采集書籍信息了。使用file_get_contents() 函數(shù)打開書目頁：$content=file_get_contents（$url），這樣就能將書目頁的內(nèi)容都讀取出來了。接下來就是將書名、作者和類型等信息匹配出來了。這里就以書名為例，其他的都一樣。打開書目頁，查看源文件，找到“<span class="booktitle">《回到明朝當(dāng)王爺》</span>”，這就是要提取出來的書名了。提取書名的正則表達(dá)式：/<span class=\"newstitle\">(.*?)\<\/span>/is，使用preg_match_all()函數(shù)將書名取出：preg_match_all("/<span class=\"newstitle\">(.*?)\<\/span>/is",$contents,$title);這樣$title[0][0]的內(nèi)容就是我們要的標(biāo)題了（preg_match_all函數(shù)的用法可以去百度查，這里就不詳細(xì)說明了）。取出了書籍信息，接下來就是取章節(jié)內(nèi)容了，要取章節(jié)內(nèi)容，首先要做的就是找到每一章的地址，然后遠(yuǎn)程打開章節(jié)，用正則將內(nèi)容取出來，入庫或者直接生成html靜態(tài)文件。這個(gè)是章節(jié)列表的地址：http://www.86zw.com/Html/Book/18/3727/List.shtm，可以看出這個(gè)和書目頁一樣，是有規(guī)律可尋的：http://www.86zw.com/Html/Book/分類號(hào)/書號(hào)/List.shtm。書號(hào)前面已經(jīng)取得，這里的關(guān)鍵是找到分類號(hào)，分類號(hào)可以在前面的書目頁找到，提取分類號(hào)：

preg_match_all("/Html\/Book\/[0-9]{1,}\/[0-9]{1,}\/List\.shtm/is",$contents,$typeid);這樣還不夠，還需要一個(gè)切取函數(shù)：

[復(fù)制PHP代碼] [ - ]PHP代碼如下:

以下為引用的內(nèi)容：
function cut($string,$start,$end){
$message = explode($start,$string);
$message = explode($end,$message[1]); return $message[0];}其中$string為要被切取的內(nèi)容，$start為開始的地方，$end為結(jié)束的地方。取出分類號(hào)：

$start = "Html/Book/";
$end
= "List.shtm";
$typeid = cut($typeid[0][0],$start,$end);
$typeid = explode("/",$typeid);[/php]

這樣，$typeid[0]就是我們要找的分類號(hào)了。接下來就是構(gòu)造章節(jié)列表的地址了：$chapterurl = http://www.86zw.com/Html/Book/.$typeid[0]/$_POST[‘number’]/List.shtm。有了這個(gè)就能找到每一章節(jié)的地址了。方法如下：

以下為引用的內(nèi)容：
$ustart = "\"";
$uend
= "\"";
//t表示title的縮寫
$tstart = ">";
$tend
= "<";
//取路徑,例如:123.shtm,2342.shtm,233.shtm
preg_match_all("/\"[0-9]{1,}\.(shtm)\"/is",$chapterurl,$url);
//取標(biāo)題,例如:第一章九世善人
preg_match_all("/<a href=\"[0-9]{1,}\.shtm\"(.*?)\<\/a>/is",$file,$title);
$count = count($url[0]);
for($i=0;$i<=$count;$i )
{
$u = cut($url[0][$i],$ustart,$uend);
$t = cut($title[0][$i],$tstart,$tend);
$array[$u] = $t;
}

$array數(shù)組就是所有的章節(jié)地址了，到這里，采集器就完成一半了，剩下的就是循環(huán)打開每個(gè)章節(jié)地址，讀取，然后將內(nèi)容匹配出來。這個(gè)比較簡(jiǎn)單，這里就不詳細(xì)敘述了。好了，今天就先寫到這吧，第一次寫這么長(zhǎng)的文章，語言組織方面難免有問題，還請(qǐng)大家多包涵！

分享：淺談PHP開發(fā)團(tuán)隊(duì)的管理之道
本文節(jié)選自《淺談PHP開發(fā)團(tuán)隊(duì)管理及程序員做人問題》。看了標(biāo)題，也許很多程序員會(huì)反感的說：“程序員的做人問題先不用談，你想出來這個(gè)標(biāo)題，那你做人是不是有問題吧！” 筆者