php采集（php小偷）程序设计教程
2009-03-12 22:47
836 查看
目录
什么是[b]php采集程序？
为什么要采集？[/b]
采集些什么？
如何采集？
采集范例程序
一些常用的函数
对一个目标网站的全面采集
什么是php采集程序？
php采集程序，也叫php小偷，主要是用于自动搜集网络上web页里特定内容，用php语言写的web程序，运行于支持php的平台上。谈到“自动搜集”，你可能联想到百度goole，联想到搜索引擎所做的事情。php采集程序，正是做类似的工作。
为什么要采集？
互联网正以飞快的速度在发展，web数据每天以几何级数据量递增，面对这庞大的数据，作为一个网站管理员的你，该如何搜集自己所需要的信息呢？特别对某个或某几个同类网站，你需要它们的大量信息，来充实你的网站内容，难道就只能复制粘贴的过日子吗？一个网站管理员，你真的就得花大量时间去搞原创内容，而与整个互联网信息量的发展速度脱节吗？这些问题的解决方法只有一个：采集。如果有那么一个程序，你帮你的网站自动或半自动的采集你所需要的特定内容，即时更新你网站的信息，是否是你梦寐以求的呢？这就是采集程序出现的原因所在。
采集些什么？
这要看你做的什么类型的网站了。如果你做图片站，就采集图片；做音乐站，就采集mp3，做新闻站，就采集新闻等等。一切根据你网站的内容架构需要而定。确定你要采集的东西，才好写出相应的采集程序。
[本帖最后由 天涯风云 于 2007-6-3 12:41 编辑]
论坛模式 推荐 收藏 分享给好友 推荐到圈子 管理
TAG:
天涯风云 发布于2007-06-03 11:54:08 如何采集？
如何采集？
通常采集程序，都是有的放矢的。也就是需要有目标网站，搜集一些你需要的采集内容的网站，分别对其html代码进行分析，找出规律性的东西，依据你要采集的特定内容，写出php代码。采集到你要的东西以后，你可以选择自己需要的存放方式。比如直接生成html页面，或是放进数据库，作进一步处理或是存放成特定的形式，以备后用。
针对目标网站，我们可以采用以下方式：
1.使用file()函数，获取目标页面文件流，转换成字符串，作进一步处理.
一个范例函数：
CODE:
CODE:
范例程序：
CODE:
范例程序:
CODE:
采集范例程序1
获取sina网上的某个城市的天气信息
//sinatianqi.php
CODE:
测试
[ 本帖最后由 天涯风云 于 2007-6-3 12:26 编辑 ]天涯风云 发布于2007-06-03 12:29:08 采集范例程序
采集范例程序
采集范例程序2：取得tom的天气
CODE:
[ 本帖最后由 天涯风云 于 2007-6-5 19:42 编辑 ]天涯风云 发布于2007-06-03 12:37:12 一些常用的函数
CODE:
对一个目标网站的全面采集，包括以下几个步聚：
1。分析首页或分类页的html源码
2。依据分析，写出正则表达式，采集首页或分类页面里的链接
3。将链接作为目标页面，进行二次采集。
4.将采集的内容作进一步处理。
[ 本帖最后由 天涯风云 于 2007-6-3 13:27 编辑 ]天涯风云 发布于2007-06-03 13:28:42 范例：对86mm.com.cn网站的全面采集
范例：对86mm.com.cn网站的全面采集
一，对首页源码分析，找出链接规律
该网站首页源码查看：http://86mm.com.cn/files.php?id=http://86mm.com.cn
分析有效链接：
CODE:
[ 本帖最后由 天涯风云 于 2007-6-3 13:39 编辑 ]天涯风云 发布于2007-06-03 13:37:18 范例：对86mm.com.cn网站的全面采集
二，写正则表达式，找出首页里的所有链接
关键字符串：|<a href="html/xingaijiankang/8104.html" target="_blank"|
正则匹配规则:
$re="|<a href=/"(html///w+///d{1,5}/.html)/" target=/"_blank/"|U";
找所有链接,并显示结果：
CODE:
3.JPG
天涯风云 发布于2007-06-03 14:19:09 范例：对86mm.com.cn网站的全面采集
三，对内容页面html源码分析，采集标题和内容(本范例主要采集页面标题和内容)
查看源码：http://86mm.com.cn/files.php?id= ... einvzipai/8061.html
分析：
CODE:
主要内容部分集中在
CODE:
这样标题我内容就全获取了。。
具体实现代码:
CODE:
[ 本帖最后由 天涯风云 于 2007-6-3 14:29 编辑 ]
4.GIF
天涯风云 发布于2007-06-03 14:58:50 范例：对86mm.com.cn网站的全面采集
四，批量获取首页里所有链接的标题和内容，并以php文件的形式保存。
下面，我们要用程序依次打开86mm.com.cn首页里所有链接，并取得相应的标题和内容，存为php文件，当然你可以生成其它格式的文件或放进数据库里，这以个人需要而定。
代码如下：
CODE:
什么是[b]php采集程序？
为什么要采集？[/b]
采集些什么？
如何采集？
采集范例程序
一些常用的函数
对一个目标网站的全面采集
什么是php采集程序？
php采集程序，也叫php小偷，主要是用于自动搜集网络上web页里特定内容，用php语言写的web程序，运行于支持php的平台上。谈到“自动搜集”，你可能联想到百度goole，联想到搜索引擎所做的事情。php采集程序，正是做类似的工作。
为什么要采集？
互联网正以飞快的速度在发展，web数据每天以几何级数据量递增，面对这庞大的数据，作为一个网站管理员的你，该如何搜集自己所需要的信息呢？特别对某个或某几个同类网站，你需要它们的大量信息，来充实你的网站内容，难道就只能复制粘贴的过日子吗？一个网站管理员，你真的就得花大量时间去搞原创内容，而与整个互联网信息量的发展速度脱节吗？这些问题的解决方法只有一个：采集。如果有那么一个程序，你帮你的网站自动或半自动的采集你所需要的特定内容，即时更新你网站的信息，是否是你梦寐以求的呢？这就是采集程序出现的原因所在。
采集些什么？
这要看你做的什么类型的网站了。如果你做图片站，就采集图片；做音乐站，就采集mp3，做新闻站，就采集新闻等等。一切根据你网站的内容架构需要而定。确定你要采集的东西，才好写出相应的采集程序。
[本帖最后由 天涯风云 于 2007-6-3 12:41 编辑]
论坛模式 推荐 收藏 分享给好友 推荐到圈子 管理
TAG:
天涯风云 发布于2007-06-03 11:54:08 如何采集？
如何采集？
通常采集程序，都是有的放矢的。也就是需要有目标网站，搜集一些你需要的采集内容的网站，分别对其html代码进行分析，找出规律性的东西，依据你要采集的特定内容，写出php代码。采集到你要的东西以后，你可以选择自己需要的存放方式。比如直接生成html页面，或是放进数据库，作进一步处理或是存放成特定的形式，以备后用。
针对目标网站，我们可以采用以下方式：
1.使用file()函数，获取目标页面文件流，转换成字符串，作进一步处理.
一个范例函数：
CODE:
//获取目标页面文件流并转换成字符串形式
function openfile($url)
{
if(file($url)){
$str = file($url);
$count = count($str);
for ($i=0;$i<$count;$i++){
$file .= $str[$i];
}
return $file;
} else { die("文件打开失败!"); }
}
用法举例：
$getstr=openfile("http://86enjoy.com");
//getsrt是一个字符串，你可对它作进一步处理。2.使用file_get_contents()函数,该函数可以直接将获取的web页面内容转换成字符串CODE:
$getstr=file_get_contents("http://86enjoy.com");
//getsrt就是一个字符串，你可对它作进一步处理。3.使用Microsoft.XMLHTTP组件方式。不过该组件需要windows平台支持,它是windows的一个组件，php程序以com形式调用它。范例程序：
CODE:
<?php
//Microsoft.XMLHTTP组件使用范例程序get.php
//作者：天涯风云
$url=$_GET['id'];
$xmlhttp = new COM("Microsoft.XMLHTTP") or die("无法创建Microsoft.XMLHTTP组件!");
$xmlhttp->open("GET",$url,False, "", "");
$xmlhttp->setRequestHeader("content-Type","text/html");
$xmlhttp->send();
$body=$xmlhttp->responseText;
echo $body;
?>
用法：get.php?id="目标页面"4.使用fsockopen()函数，获取文件流范例程序:
CODE:
function request_url($url,$method='POST') {
$url = parse_url($url); //解析url地址,取得host,path,port,query等
if (!$url) return "couldn't parse url";
if (!isset($url['port'])) { $url['port'] = ""; }
if (!isset($url['query'])) { $url['query'] = ""; }
//连接服务器
$fp = fsockopen($url['host'], $url['port'] ? $url['port'] : 80);
if (!$fp) return "不能连接".$url['host']."服务器";
//发送请求
fputs($fp, sprintf("$method %s%s%s HTTP/1.0/n", $url['path'], $url['query'] ? "?" : "", $url['query']));
fputs($fp, "Host: $url[host]/n");
fputs($fp, "Content-type: application/x-www-form-urlencoded/n");
fputs($fp, "Connection: close/n/n");
//获得请求后返回的内容
$line = fgets($fp,1024);
if (!eregi("^HTTP/1/.. 200", $line)) return;
$results = "";
while(!feof($fp)) {
$line = fgets($fp,1024);
$results .= $line;
}
fclose($fp);
return $results;
}
函数用法：
$getstr=request_url("目标页面");
//getstr是一个字符串，你可对它作进一步处理。[ 本帖最后由 天涯风云 于 2007-6-3 12:14 编辑 ]天涯风云 发布于2007-06-03 12:24:33 采集范例程序采集范例程序1
获取sina网上的某个城市的天气信息
//sinatianqi.php
CODE:
<?php /* 此程序是从新浪网的天气网页http://php.weather.sina.com.cn/search.php?city=某个城市名，取得天气信息*/ ob_start(); //启动输出缓冲 function request_url($url,$method='POST') { $url = parse_url($url); //解析url地址,取得host,path,port,query等 if (!$url) return "couldn't parse url"; if (!isset($url['port'])) { $url['port'] = ""; } if (!isset($url['query'])) { $url['query'] = ""; } //连接服务器 $fp = fsockopen($url['host'], $url['port'] ? $url['port'] : 80); if (!$fp) return "不能连接".$url['host']."服务器"; //发送请求 fputs($fp, sprintf("$method %s%s%s HTTP/1.0/n", $url['path'], $url['query'] ? "?" : "", $url['query'])); fputs($fp, "Host: $url[host]/n"); fputs($fp, "Content-type: application/x-www-form-urlencoded/n"); fputs($fp, "Connection: close/n/n"); //获得请求后返回的内容 $line = fgets($fp,1024); if (!eregi("^HTTP/1/.. 200", $line)) return; $results = ""; while(!feof($fp)) { $line = fgets($fp,1024); $results .= $line; } fclose($fp); return $results; } //获得从其它网页传送过来的url(带查询字串) if (!$_REQUEST['url']) { echo "请添加一个url"; exit; }else{ $url=$_REQUEST['url']; } $content=request_url($url); //取得请求后的网页内容 $start=strpos($content,"<!-- 天气状况 begin -->");//取得天气预报的截取段 $end=strpos($content,"<!-- 天气状况 end -->"); $len=$end-$start; $b=substr($content,$start,$len); //截取得指定内容 //从上面的截取段中取得城市今日天气预报的截取段 $sub_start=strpos($b,"<div class=/"City_Data/">"); $sub_end=strpos($b,"<div class=/"Weather_SM/">"); $len2=$sub_end-$sub_start; $c=substr($b,$sub_start,$len2); $d=split("/n",$c); //去掉换行符 //print_r($d); $e=""; foreach ($d as $key=>$value){ $value=strip_tags($value); //去掉html标记 $e.=$value; if ($key==2) { $e.="<br>"; } } echo $e; ob_end_flush(); ?>程序运行情况：
测试
[ 本帖最后由 天涯风云 于 2007-6-3 12:26 编辑 ]天涯风云 发布于2007-06-03 12:29:08 采集范例程序
采集范例程序
采集范例程序2：取得tom的天气
CODE:
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<HTML><HEAD><TITLE>天气预报-天气查询-中国美女网</TITLE>
<META http-equiv=Content-Type content="text/html; charset=gb2312"><LINK
href="images/home.css" rel=stylesheet>
<META content="MSHTML 6.00.3790.2759" name=GENERATOR></HEAD>
<BODY bgColor=#ffffff leftMargin=0 topMargin=0 marginheight="0" marginwidth="0">
<center><div>
<TABLE cellSpacing=0 cellPadding=0 width=774 align=center border=0>
<TBODY>
<TR>
<TD><IMG height=100 src="templates/default/images/top1.jpg" width=770></TD>
</TR></TBODY></TABLE>
<TABLE height=28 cellSpacing=0 cellPadding=0 width=774 align=center border=0>
<TBODY>
<TR>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.86mm.com.cn/" target=_blank>首页</A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/html/zouguangtoupai/"
target=_blank>走光偷拍</A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/html/jiqingyouhuo/"
target=_blank>激情诱惑</A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/html/qingchunnvhai/"
target=_blank>清纯女孩</A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/html/meinvzipai/"
target=_blank>美女自拍</A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/html/mingxingxiezhen/"
target=_blank>明星写真</A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/html/xingaijiankang/"
target=_blank>性爱健康 </A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/html/mianfeidianying/" target=_blank>免费电影</A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/html/gaoxiaotupian/" target=_blank>搞笑图片</A></TD>
<TD vAlign=center align=middle width=2
background=templates/default/images/tt_r4_c1.jpg><IMG height=22
src="templates/default/images/tt_r5_c8.jpg" width=1></TD>
<TD vAlign=center align=middle background=templates/default/images/tt_r4_c1.jpg><A
href="http://www.huazhongpc.com/tianqi.php" target=_blank>天气预报</A></TD>
</TR></TBODY></TABLE>
<TABLE style="MARGIN-TOP: 2px" cellSpacing=0 cellPadding=0 width=774
background=images/t2_05.gif border=0>
<TBODY>
<TR><td>
<SCRIPT language=JavaScript>
<!---
today = new Date();
var hours = today.getHours();
var minutes = today.getMinutes();
var seconds = today.getSeconds();
var timeValue = "<FONT COLOR=#000000>" + (hours);
timeValue += ((minutes < 10) ? "<FONT COLOR=#000000>:</FONT></BLINK>0" : "<FONT COLOR=#000000>:</FONT></BLINK>") + minutes+"</FONT></FONT>";
function initArray(){
this.length=initArray.arguments.length
for(var i=0;i<this.length;i++)
this[i+1]=initArray.arguments[i] }
var d=new initArray("<font color=#0000ff>星期天","<font color=#000000>星期一","<font color=#000000>星期二","<font color=#000000>星期三","<font color=#000000>星期四","<font color=#000000>星期五","<font color=#FEFF80>星期六");
document.write("<font color=#000000>",today.getYear(),"年","",today.getMonth()+1,"月","",today.getDate(),"日 </FONT>",d[today.getDay()+1]," "); //-->
</SCRIPT>
<font color=#0000ff>(友情提醒:按"Ctrl键+F"查找你所在城市的天气情况)</font><form name="form1" action="http://weather.tq121.com.cn/detail.php">
<input name="city" type="text" size="20">
<input type="submit" value="搜索">
</form>
</TD></TR>
</TBODY></TABLE>
<TABLE style="MARGIN-TOP: 2px" cellSpacing=0 cellPadding=0 width=774
background=images/t2_05.gif border=0>
<TBODY>
<TR>
<TD width=20><IMG height=21 src="images/t2_04.gif" width=13></TD>
<TD class=c1 width=153>中国天气查询 </TD>
<TD width=14><IMG height=21 src="images/t2_06.gif" width=14></TD>
<TD align=right background=images/t2_07.gif>
数据来源：<A
href="http://www.tq121.com.cn/"
target=_blank>中央气象台</A></TD>
<TD width=7><IMG height=21 src="images/t2_08.gif"
width=7></TD></TR></TBODY></TABLE>
<DIV id=guonei_h24 name="guonei_h24">
<TABLE cellSpacing=1 cellPadding=1 width=774 bgColor=#ababab border=0>
<TBODY>
<?php
$str = file("http://tq.tom.com/china/index.html");
$count = count($str);
for ($i=0;$i<$count;$i++){
$file .= $str[$i];
}
$tomtq = explode("<table width=/"774/" border=/"0/" cellspacing=/"1/" cellpadding=/"1/" bgcolor=/"#ABABAB/">",$file);
$tomtq = explode("</table>",$tomtq[1]);
$tomtq= $tomtq[0];
echo $tomtq;
?>
</TBODY></TABLE>
<TABLE cellSpacing=1 cellPadding=0 width=774 align=center border=0>
<TBODY>
<TR>
<TD bgColor=#bbf1ff>
<TABLE cellSpacing=5 cellPadding=0 width=774 border=0>
<TBODY>
<TR>
<TD align=middle><A href="http://www.86mm.com.cn/"
target=_blank>联系我们</A> <FONT color=#000099>-</FONT> <A
onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.86mm.com.cn');return false;"
href="http://www.86mm.com.cn/#">设置首页</A> <FONT color=#000099>-</FONT>
<A href="http://sms.25vod.com/public/fullscreen/golink.php?smsid=107"
target=_blank>广告服务</A> <FONT color=#000099>-</FONT> <FONT
color=#ff0000><A href="http://sms.25vod.com/public/fullscreen/golink.php?smsid=107"
target=_blank>友情链接</A></FONT></TD>
</TR>
<TR>
<TD
align=middle>本站内容来自于互联网搜索和网友改编、上传，本站提供的视频、音乐片断仅供网友测试使用，<BR>如发现相关内容侵犯了您的权益，请及时联系我们，本站将会及时予以删除<BR>
联系QQ：231734624
联系E-mail:wangsua@163.com<BR>
Copyright ? 2005-2008 86mm.com.cn Inc. All
rights reserved. 华中美女网 版权所有 <BR><script language="javascript" type="text/javascript" src="http://js.users.51.la/882050.js"></script>
<noscript><a href="http://www.51.la/?882050" target="_blank"><img alt="我要啦免费统计" src="http://img.users.51.la/882050.asp" style="border:none" /></a></noscript><a href=http://www.miibeian.gov.cn/>鄂ICP备06012810号</a><BR>
</TD>
</TR></TBODY></TABLE></TD></TR></TBODY></TABLE>
</DIV>
</CENTER></BODY></HTML>示范页面：http://86mm.com.cn/tianqi.php[ 本帖最后由 天涯风云 于 2007-6-5 19:42 编辑 ]天涯风云 发布于2007-06-03 12:37:12 一些常用的函数
CODE:
// ####################### 获取文件流并转换成字符串 #######################
function openfile($url)
{
if(file($url)){
$str = file($url);
$count = count($str);
for ($i=0;$i<$count;$i++){
$file .= $str[$i];
}
return $file;
} else { die("文件打开失败!"); }
}
// ####################### 切分字符串 #######################
function cut($start,$end,$file){
$content=explode($start,$file);
$content=explode($end,$content[1]);
return $content[0];
}
// ####################### 清除垃圾代码 #######################
function del($start,$end,$content){
$del=cut($start,$end,$content);
$content=str_replace($del,"",$content);
$content=str_replace($start.$end,"",$content);
return $content;
}
// ####################### 分析域名 #######################
function getname($url)
{
$referer = preg_replace("/https?:////([^//]+).*/i", "//1", $url);
$referer = str_replace("www.", "", $referer);
return $referer;
}
// ####################### 清除HTML代码table #######################
function clstable($content)
{
$clscontent= preg_replace("/<table[^>]*?>.*?<//table>/si", "", $content);
return $clscontent;
}
// ####################### 清除HTML代码script #######################
function clsscript($content)
{
$clscontent= preg_replace("/<script[^>]*?>.*?<//script>/si", "", $content);
return $clscontent;
}
// ####################### 清除HTML代码div #######################
function clsdiv($content)
{
$clscontent= preg_replace("/<div[^>]*?>.*?<//div>/si", "", $content);
return $clscontent;
}
// ####################### 清除HTML代码iframe #######################
function clsifr($content)
{
$clscontent= preg_replace("/<IFRAME[^>]*?>.*?<//IFRAME>/si", "", $content);
return $clscontent;
}
// ####################### 清除HTML代码tr,td #######################
function clstrtd($content)
{
$clscontent= preg_replace("/<td[^>]*?>.*?<//td>/si", "", $content);
$clscontent= preg_replace("/<tr[^>]*?>.*?<//tr>/si", "", $clscontent);
$clscontent= preg_replace("/<tr[^>]*?>/si","",$clscontent);
$clscontent= preg_replace("/<td[^>]*?>/si","",$clscontent);
$clscontent= preg_replace("/<//tr>/si","",$clscontent);
$clscontent= preg_replace("/<//td>/si","",$clscontent);
return $clscontent;
}
// ####################### 清除HTML代码超链接 #######################
function clsa($content)
{
$clscontent= preg_replace("/<a[^>]*?>.*?<//a>/si", "", $content);
return $clscontent;
}
// ####################### 彻底清除所有HTML代码#######################
function clearhtml($content)
{
$search = array ("'<script[^>]*?>.*?</script>'si", // 去掉 javascript
"'<[///!]*?[^<>]*?>'si", // 去掉 HTML 标记
"'([/r/n])[/s]+'", // 去掉空白字符
"'&(quot|#34);'i", // 替换 HTML 实体
"'&(amp|#38);'i",
"'&(lt|#60);'i",
"'&(gt|#62);'i",
"'&(nbsp|#160);'i",
"'&(iexcl|#161);'i",
"'&(cent|#162);'i",
"'&(pound|#163);'i",
"'&(copy|#169);'i",
"'&#(/d+);'e"); // 作为 PHP 代码运行
$replace = array ("",
"",
"//1",
"/"",
"&",
"<",
">",
" ",
chr(161),
chr(162),
chr(163),
chr(169),
"chr(//1)");
$text = preg_replace ($search, $replace, $content);
return $text;
}
// ####################### 写入缓存文件 #######################
function writetocache($cachedir,$cachename, $cachedata = '') {
$cachedir = './'.$cachedir.'/';
$cachefile = $cachedir.$cachename.'.php';
if(!is_dir($cachedir)) {
@mkdir($cachedir, 0777);
}
if(!is_dir($cachedir)) {
@mkdir($cachedir, 0777);
}
if(@$fp = fopen($cachefile, 'wb')) {
@fwrite($fp, $cachedata);
@fclose($fp);
@chmod($cachefile, 0777);
} else {
echo 'Can not write to cache files, please check directory ./cache/ .';
exit;
}
}
// ####################### 获取文件里的html链接 #######################
function geturl($re,$ufile,$rep1,$rep2){
preg_match_all ($re,
$ufile,
$out, PREG_PATTERN_ORDER);
$result=count($out[1]);
$i=0;
while($i<$result)
{
$outs[$i]=str_replace($rep1,$rep2,$out[1][$i]);
$i++;
}
//合并相同的链接并重新索引...
$reout=array();
$reout=resetar($outs);
return $reout;
}天涯风云 发布于2007-06-03 13:01:53 对一个目标网站的全面采集对一个目标网站的全面采集，包括以下几个步聚：
1。分析首页或分类页的html源码
2。依据分析，写出正则表达式，采集首页或分类页面里的链接
3。将链接作为目标页面，进行二次采集。
4.将采集的内容作进一步处理。
[ 本帖最后由 天涯风云 于 2007-6-3 13:27 编辑 ]天涯风云 发布于2007-06-03 13:28:42 范例：对86mm.com.cn网站的全面采集
范例：对86mm.com.cn网站的全面采集
一，对首页源码分析，找出链接规律
该网站首页源码查看：http://86mm.com.cn/files.php?id=http://86mm.com.cn
分析有效链接：
CODE:
<TR><TD><a href="html/xingaijiankang/8104.html" target="_blank" title="男性生殖保健"> 男性生殖保健</a></TD></TR>现在我们就要找出形如"html/xingaijiankang/8104.html"类似字符串的所有链接。
[ 本帖最后由 天涯风云 于 2007-6-3 13:39 编辑 ]天涯风云 发布于2007-06-03 13:37:18 范例：对86mm.com.cn网站的全面采集
二，写正则表达式，找出首页里的所有链接
关键字符串：|<a href="html/xingaijiankang/8104.html" target="_blank"|
正则匹配规则:
$re="|<a href=/"(html///w+///d{1,5}/.html)/" target=/"_blank/"|U";
找所有链接,并显示结果：
CODE:
<?php
// ####################### 获取文件里的html链接 #######################
function geturl($re,$ufile,$rep1,$rep2){
preg_match_all ($re,
$ufile,
$out, PREG_PATTERN_ORDER);
$result=count($out[1]);
$i=0;
while($i<$result)
{
$outs[$i]=str_replace($rep1,$rep2,$out[1][$i]);
$i++;
}
//合并相同的链接并重新索引...
$reout=array();
$reout=resetar($outs);
return $reout;
}
set_time_limit(0);
$url=$_GET['http://86mm.com.cn'];
$ufile=file_get_contents($url);
$re="|<a href=/"(html///w+///d{1,5}/.html)/" target=/"_blank/"|U";
$rep1="";
$rep2="";
$urls=geturl($re,$ufile,$rep1,$rep2);
$result=count($urls);
echo "共找到".$result."个链接<br>";
$i=0;
while($i<$result)
{
$outurl[$i]="http://86mm.com.cn/".$urls[$i];
echo $outurl[$i]."<br>";
$i++;
}
?>[ 本帖最后由 天涯风云 于 2007-6-3 13:49 编辑 ]3.JPG
天涯风云 发布于2007-06-03 14:19:09 范例：对86mm.com.cn网站的全面采集
三，对内容页面html源码分析，采集标题和内容(本范例主要采集页面标题和内容)
查看源码：http://86mm.com.cn/files.php?id= ... einvzipai/8061.html
分析：
CODE:
<TITLE>世界上最搞笑的屁股⌒-mianfeidianying,中国美女网,性爱,免费,短片,视频,恶搞,搞笑图片</TITLE>这部分可以用cut("<TITLE>","</TITLE>",$file)直接获取，然后把后面多余的尾巴换掉。
主要内容部分集中在
CODE:
<td height="15" valign="top">..............<!--流量交换-->这一区间内，我们可以再次cut()一下，取得内容。
这样标题我内容就全获取了。。
具体实现代码:
CODE:
<?php
// ####################### 切分文件流 #######################
function cut($start,$end,$file){
$content=explode($start,$file);
$content=explode($end,$content[1]);
return $content[0];
}
// ####################### 清除垃圾代码 #######################
function del($start,$end,$content){
$del=cut($start,$end,$content);
$content=str_replace($del,"",$content);
$content=str_replace($start.$end,"",$content);
return $content;
}
set_time_limit(0);
$url=$_GET['id'];
$files=file_get_contents($url);
$title=cut("<TITLE>","</TITLE>",$files);
//清除标题后面的多余字符串
$title=str_replace("-mianfeidianying,中国美女网,性爱,免费,短片,视频,恶搞,搞笑图片","",$title);
$content=cut("<td height=/"15/" valign=/"top/">","<!--流量交换-->"
,$files);
//清除内容里的一句广告词
$content=del("<font color=red>","</font>",$content);
echo $title."<br>";
echo $content;
?>这样，我们就可以获取一个页面内的标题和内容了。。[ 本帖最后由 天涯风云 于 2007-6-3 14:29 编辑 ]
4.GIF
天涯风云 发布于2007-06-03 14:58:50 范例：对86mm.com.cn网站的全面采集
四，批量获取首页里所有链接的标题和内容，并以php文件的形式保存。
下面，我们要用程序依次打开86mm.com.cn首页里所有链接，并取得相应的标题和内容，存为php文件，当然你可以生成其它格式的文件或放进数据库里，这以个人需要而定。
代码如下：
CODE:
<?php
// ####################### 获取文件里的html链接 #######################
function geturl($re,$ufile,$rep1,$rep2){
preg_match_all ($re,
$ufile,
$out, PREG_PATTERN_ORDER);
$result=count($out[1]);
$i=0;
while($i<$result)
{
$outs[$i]=str_replace($rep1,$rep2,$out[1][$i]);
$i++;
}
//合并相同的链接并重新索引...
$reout=array();
$reout=resetar($outs);
return $reout;
}
// ####################### 切分文件流 #######################
function cut($start,$end,$file){
$content=explode($start,$file);
$content=explode($end,$content[1]);
return $content[0];
}
// ####################### 清除垃圾代码 #######################
function del($start,$end,$content){
$del=cut($start,$end,$content);
$content=str_replace($del,"",$content);
$content=str_replace($start.$end,"",$content);
return $content;
}
// ####################### 清除数组里的重复值并重新索引数组 #######################
function resetar($outs){
$reout=array();
$reouts=array();
$reout=array_unique($outs);
foreach($reout as $key=>$value){
array_push($reouts,$value);
}
return $reouts;
}
// ####################### 写入缓存文件 #######################
function writetocache($cachedir,$cachename, $cachedata = '') {
$cachedir = './'.$cachedir.'/';
$cachefile = $cachedir.$cachename.'.php';
if(!is_dir($cachedir)) {
@mkdir($cachedir, 0777);
}
if(!is_dir($cachedir)) {
@mkdir($cachedir, 0777);
}
if(@$fp = fopen($cachefile, 'wb')) {
@fwrite($fp, "<?php/r/n//天涯风云，版权所有/r/n//Created on /r/n/r/n".$cachedata."/r/n/r/n?>");
@fclose($fp);
@chmod($cachefile, 0777);
} else {
echo 'Can not write to cache files, please check directory ./cache/ .';
exit;
}
}
// ####################### 创建缓存文件 #######################
function content_recache($cachedir,$i,$title,$content) {
$contents = "/$catecache = array(/r/n";
$contents.="/t'title' => '".$title."',/r/n'content'=> '".$content."'/r/n";
$contents .= ");";
writetocache($cachedir,$i,$contents);
echo "./".$cachedir."/".$i.".php文件创建成功!<br>";
}
set_time_limit(0);
$url='http://86mm.com.cn';
$ufile=file_get_contents($url);
$re="|<a href=/"(html///w+///d{1,5}/.html)/" target=/"_blank/"|U";
$rep1="";
$rep2="";
$urls=geturl($re,$ufile,$rep1,$rep2);
$result=count($urls);
echo "共找到".$result."个链接<br>";
$i=0;
while($i<$result)
{
$outurl[$i]="http://86mm.com.cn/".$urls[$i];//对取得的链接加域名，得到实际地址
echo $outurl[$i]."<br>";
$files[$i]=file_get_contents($outurl[$i]);
$title[$i]=cut("<TITLE>","</TITLE>",$files[$i]);
$title[$i]=str_replace("-mianfeidianying,中国美女网,性爱,免费,短片,视频,恶搞,搞笑图片","",$title[$i]);
$content[$i]=cut("<td height=/"15/" valign=/"top/">","<!--流量交换-->"
,$files[$i]);
//清除内容里的一句广告词
$content[i]=del("<font color=red>","</font>",$content[i]);
//将取得的标题和内容写入文件
content_recache("86mm",$i,$title[$i],$content[$i]);
$i++;
}
?>示例中，将取得的标题和内容存为php数组形式的文件，主要为了文件做后期处理，或写入数据库，或生成html文档都可以
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- php采集（php小偷）程序设计教程
- php采集（php小偷）程序设计教程
- 基于PHP的cURL快速入门教程 (小偷采集程序)
- 基于PHP的cURL快速入门教程 (小偷采集程序)
- 基于PHP的cURL快速入门教程 (小偷采集程序)
- 基于PHP的cURL快速入门教程 (小偷采集程序)
- 基于PHP的cURL快速入门教程 (小偷采集程序)
- php采集小偷程序集合
- PHP小偷程序的设计与实现方法详解
- PHP小偷程序的设计与实现方法详解
- PHP的cURL快速入门 (小偷采集程序)
- 吴文虎_程序设计基础_清华大学视频教程
- 一个图片地址分解程序(用于PHP小偷程序)
- php开发通用采集程序
- php采集文章内容列表链接-php采集网页-php爬虫视频教程3
- 原创：【微信小程序】发送消息模板教程（后台以PHP示例）
- php小偷程序实例代码
- PHP程序61条面向对象分析设计的经验原则
- 支付宝小程序PHP全栈开发--前端样式的设计.acss样式详解
- PHP采集程序原理分析篇