- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章PHP抓取及分析网页的方法详解由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
本文实例讲述了PHP抓取及分析网页的方法。分享给大家供大家参考,具体如下:
抓取和分析一个文件是非常简单的事。这个教程将通过一个例子带领你一步一步地去实现它。让我们开始吧! 。
首先,我首必须决定我们将抓取的URL地址。可以通过在脚本中设定或通过$QUERY_STRING传递。为了简单起见,让我们将变量直接设在脚本中.
1
2
3
|
<?php
$url
=
'http://www.php.net'
;
?>
|
第二步,我们抓取指定文件,并且通过file()函数将它存在一个数组里.
1
2
3
4
|
<?php
$url
=
'http://www.php.net'
;
$lines_array
= file(
$url
);
?>
|
好了,现在在数组里已经有了文件了。但是,我们想分析的文本可能不全在一行里面。为了解决这个文件,我们可以简单地将数组$lines_array转化成一个字符串。我们可以使用implode(x,y)函数来实现它。如果在后面你想用explode(将字符串变量数组),将x设成"|"或"!"或其它类似的分隔符可能会更好。但是出于我们的目的,最好将x设成空格。y是另一个必要的参数,因为它是你想用implode()处理的数组.
1
2
3
4
5
|
<?php
$url
=
'http://www.php.net'
;
$lines_array
= file(
$url
);
$lines_string
= implode(
''
,
$lines_array
);
?>
|
现在,抓取工作就做完了,下面该进行分析了。出于这个例子的目的,我们想得到在<head>到</head>之间的所有东西。为了分析出字符串,我们还需要叫做正规表达式的东西.
1
2
3
4
5
6
|
<?php
$url
=
'http://www.php.net'
;
$lines_array
= file(
$url
);
$lines_string
= implode(
''
,
$lines_array
);
eregi
(
"<head>(.*)</head>"
,
$lines_string
,
$head
);
?>
|
让我们看一下代码。正如你所见,eregi()函数按下面的格式执行:
1
|
eregi
(
"<head>(.*)</head>"
,
$lines_string
,
$head
);
|
"(.*)"表示所有东西,可以解释为,"分析在<head>和</head>间的所以东西"。$lines_string是我们正在分析的字符串,$head是分析后的结果存放的数组.
最后,我们可以输数据。因为仅在<head>和</head>间存在一个实例,我们可以安全的假设数组中仅存在着一个元素,而且就是我们想要的。让我们把它打印出来吧.
1
2
3
4
5
6
|
<?php
$url
=
'http://www.php.net'
;
$lines_array
= file(
$url
);
$lines_string
= implode(
''
,
$lines_array
);
eregi
(
"<head>(.*)</head>"
,
$lines_string
,
$head
);
echo
$head
[0];
?>
|
这就是全部的代码了.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
|
<?php
//获取所有内容url保存到文件
function
get_index (
$save_file
,
$prefix
=
"index_"
){
$count
= 68 ;
$i
= 1 ;
if
(
file_exists
(
$save_file
)) @ unlink (
$save_file
);
$fp
=
fopen
(
$save_file
,
"a+"
)
or
die
(
"Open "
.
$save_file
.
" failed"
);
while
(
$i
<
$count
){
$url
=
$prefix
.
$i
.
".htm"
;
echo
"Get "
.
$url
.
"..."
;
$url_str
= get_content_url ( get_url (
$url
));
echo
" OK/n"
;
fwrite (
$fp
,
$url_str
);
++
$i
;
}
fclose (
$fp
);
}
//获取目标多媒体对象
function
get_object (
$url_file
,
$save_file
,
$split
=
"|--:**:--|"
){
if
(!
file_exists
(
$url_file
))
die
(
$url_file
.
" not exist"
);
$file_arr
= file (
$url_file
);
if
(!
is_array
(
$file_arr
) ||
empty
(
$file_arr
))
die
(
$url_file
.
" not content"
);
$url_arr
=
array_unique
(
$file_arr
);
if
(
file_exists
(
$save_file
)) @ unlink (
$save_file
);
$fp
=
fopen
(
$save_file
,
"a+"
)
or
die
(
"Open save file "
.
$save_file
.
" failed"
);
foreach
(
$url_arr
as
$url
){
if
(
empty
(
$url
))
continue
;
echo
"Get "
.
$url
.
"..."
;
$html_str
= get_url (
$url
);
echo
$html_str
;
echo
$url
;
exit
;
$obj_str
= get_content_object (
$html_str
);
echo
" OK/n"
;
fwrite (
$fp
,
$obj_str
);
}
fclose (
$fp
);
}
//遍历目录获取文件内容
function
get_dir (
$save_file
,
$dir
){
$dp
= opendir (
$dir
);
if
(
file_exists
(
$save_file
)) @ unlink (
$save_file
);
$fp
=
fopen
(
$save_file
,
"a+"
)
or
die
(
"Open save file "
.
$save_file
.
" failed"
);
while
((
$file
= readdir (
$dp
)) != false ){
if
(
$file
!=
"."
&&
$file
!=
".."
){
echo
"Read file "
.
$file
.
"..."
;
$file_content
=
file_get_contents
(
$dir
.
$file
);
$obj_str
= get_content_object (
$file_content
);
echo
" OK/n"
;
fwrite (
$fp
,
$obj_str
);
}
}
fclose (
$fp
);
}
//获取指定url内容
function
get_url (
$url
){
$reg
=
'/^http:////[^//].+$/'
;
if
(! preg_match (
$reg
,
$url
))
die
(
$url
.
" invalid"
);
$fp
=
fopen
(
$url
,
"r"
)
or
die
(
"Open url: "
.
$url
.
" failed."
);
while
(
$fc
=
fread
(
$fp
, 8192 )){
$content
.=
$fc
;
}
fclose (
$fp
);
if
(
empty
(
$content
)){
die
(
"Get url: "
.
$url
.
" content failed."
);
}
return
$content
;
}
//使用socket获取指定网页
function
get_content_by_socket (
$url
,
$host
){
$fp
=
fsockopen
(
$host
, 80 )
or
die
(
"Open "
.
$url
.
" failed"
);
$header
=
"GET /"
.
$url
.
" HTTP/1.1/r/n"
;
$header
.=
"Accept: */*/r/n"
;
$header
.=
"Accept-Language: zh-cn/r/n"
;
$header
.=
"Accept-Encoding: gzip, deflate/r/n"
;
$header
.=
"User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; Maxthon; InfoPath.1; .NET CLR 2.0.50727)/r/n"
;
$header
.=
"Host: "
.
$host
.
"/r/n"
;
$header
.=
"Connection: Keep-Alive/r/n"
;
//$header .= "Cookie: cnzz02=2; rtime=1; ltime=1148456424859; cnzz_eid=56601755-/r/n/r/n";
$header
.=
"Connection: Close/r/n/r/n"
;
fwrite (
$fp
,
$header
);
while
(!
feof
(
$fp
)) {
$contents
.=
fgets
(
$fp
, 8192 );
}
fclose (
$fp
);
return
$contents
;
}
//获取指定内容里的url
function
get_content_url (
$host_url
,
$file_contents
){
//$reg = '/^(#|<a href="http://lib.csdn.net/base/18" class='replace_word' id="codetool">
希望本文所述对大家PHP程序设计有所帮助.
|
最后此篇关于PHP抓取及分析网页的方法详解的文章就讲到这里了,如果你想了解更多关于PHP抓取及分析网页的方法详解的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
我想了解 Ruby 方法 methods() 是如何工作的。 我尝试使用“ruby 方法”在 Google 上搜索,但这不是我需要的。 我也看过 ruby-doc.org,但我没有找到这种方法。
Test 方法 对指定的字符串执行一个正则表达式搜索,并返回一个 Boolean 值指示是否找到匹配的模式。 object.Test(string) 参数 object 必选项。总是一个
Replace 方法 替换在正则表达式查找中找到的文本。 object.Replace(string1, string2) 参数 object 必选项。总是一个 RegExp 对象的名称。
Raise 方法 生成运行时错误 object.Raise(number, source, description, helpfile, helpcontext) 参数 object 应为
Execute 方法 对指定的字符串执行正则表达式搜索。 object.Execute(string) 参数 object 必选项。总是一个 RegExp 对象的名称。 string
Clear 方法 清除 Err 对象的所有属性设置。 object.Clear object 应为 Err 对象的名称。 说明 在错误处理后,使用 Clear 显式地清除 Err 对象。此
CopyFile 方法 将一个或多个文件从某位置复制到另一位置。 object.CopyFile source, destination[, overwrite] 参数 object 必选
Copy 方法 将指定的文件或文件夹从某位置复制到另一位置。 object.Copy destination[, overwrite] 参数 object 必选项。应为 File 或 F
Close 方法 关闭打开的 TextStream 文件。 object.Close object 应为 TextStream 对象的名称。 说明 下面例子举例说明如何使用 Close 方
BuildPath 方法 向现有路径后添加名称。 object.BuildPath(path, name) 参数 object 必选项。应为 FileSystemObject 对象的名称
GetFolder 方法 返回与指定的路径中某文件夹相应的 Folder 对象。 object.GetFolder(folderspec) 参数 object 必选项。应为 FileSy
GetFileName 方法 返回指定路径(不是指定驱动器路径部分)的最后一个文件或文件夹。 object.GetFileName(pathspec) 参数 object 必选项。应为
GetFile 方法 返回与指定路径中某文件相应的 File 对象。 object.GetFile(filespec) 参数 object 必选项。应为 FileSystemObject
GetExtensionName 方法 返回字符串,该字符串包含路径最后一个组成部分的扩展名。 object.GetExtensionName(path) 参数 object 必选项。应
GetDriveName 方法 返回包含指定路径中驱动器名的字符串。 object.GetDriveName(path) 参数 object 必选项。应为 FileSystemObjec
GetDrive 方法 返回与指定的路径中驱动器相对应的 Drive 对象。 object.GetDrive drivespec 参数 object 必选项。应为 FileSystemO
GetBaseName 方法 返回字符串,其中包含文件的基本名 (不带扩展名), 或者提供的路径说明中的文件夹。 object.GetBaseName(path) 参数 object 必
GetAbsolutePathName 方法 从提供的指定路径中返回完整且含义明确的路径。 object.GetAbsolutePathName(pathspec) 参数 object
FolderExists 方法 如果指定的文件夹存在,则返回 True;否则返回 False。 object.FolderExists(folderspec) 参数 object 必选项
FileExists 方法 如果指定的文件存在返回 True;否则返回 False。 object.FileExists(filespec) 参数 object 必选项。应为 FileS
我是一名优秀的程序员,十分优秀!