PHP实现小偷程序实例

　　为什么使用“小偷程序”？

　　远程抓取文章资讯或商品信息是很多企业要求程序员实现的功能，也就是俗说的小偷程序。其最主要的优点是：解决了公司网编繁重的工作，大大提高了效率。只需要一运行就能快速的抓取别人网站的信息。

　　“小偷程序”在哪里运行？

　　“小偷程序” 应该在 Windows 下的 DOS或 Linux 下通过 PHP 命令运行为最佳，因为，网页运行会超时。

　　比如图（Windows 下 DOS 为例）：

　　“小偷程序”的实现

　　这里主要通过一个实例来讲解，我们来抓取下“华强电子网”的资讯信息，请先看观察这个链接，当您打开这个页面的时候发现这个页面会发现一些现象：

　　1、资讯列表有 500 页（2012-01-03）；

　　2、每页的 url 链接都有规律，比如：第1页为；第2页为；……第500页为；

　　3、由第二点就可以知道，“华强电子网” 的资讯是伪静态或者是生成的静态页面

　　其实，基本上大部分的网站都有这样的规律，比如：中关村在线、慧聪网、新浪、淘宝……。

　　这样，我们可以通过这样的思路来实现页面内容的抓取：
1、先获取文章列表页内容；
2、根据文章列表页内容循环获取文章的 url 地址；
3、根据文章的 url 地址获取文章的详细内容

　　这里，我们主要抓取资讯页里面的：标题（title）、发布如期（date）、作者（author）、来源（source）、内容（content）

　　“华强电子网”资讯抓取

　　首先，先建数据表结构，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“华强电子网”资讯程序 * 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); # 数据库连接，请手动修改您自己的数据库信息 $mysqli->set_charset(UTF8); # 设置数据库编码 function data($url) { global $mysqli; $result = file_get_contents($url); # $result 获取 url 链接内容（注意：这里是文章列表链接） $pattern = /<li><span class=box_r>.+<\/span><a href=([^]+) title=.+ >.+<\/a><\/li>/Usi; # 取得文章 url 的匹配正则 preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配给数组$arr(二维数组) foreach ($arr[1] as $val) { $val = 真实文章 url 地址 $re = file_get_contents($val); # $re 为文章 url 的内容 $pa = /<div id=article>\s+<h1>(.+)<\/h1>\s+<p id=article\_extinfo>\s+发布:\s+(.+)\s+\\s+作者:\s+(.+)\s+\\s+来源:\s+(.*?)\s+<span style=display:none >.+<div id=article_body>\s*(.+)\s+<\/div>\s+<\/div><!--article end-->/Usi; # 取得文章内容的正则 preg_match_all($pa, $re, $array); # 把取到的内容分配到数组 $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); # 添加到数据库 if ($row) { echo add success!; } else { echo add failed!; } } } /** * stripOfficeTag($v) 对文章内容进行过滤，比如：去掉文章中的链接，过滤掉没用的 HTML 标签…… * @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) 对文章标题进行过滤 * @param string $v * @return string */ function stripAuthorTag($v) { $v = preg_replace(/<a href=.+ target=\_blank>(.+)<\/a>/Usi, \1, $v); return $v; } /** * mysqlString($str) 过滤数据 * @param string $str * @return string */ function mysqlString($str) { return addslashes(trim($str)); } /** * init($min, $max) 入口程序方法，从 $min 页开始取，到 $max 页结束 * @param int $min 从 1 开始 * @param int $max * @return string 返回 URL 地址 */ function init($min=1, $max) { for ($i=$min; $i<=$max; $i++) { data(程序入口，从第一页开始抓，抓取500页 ?>

　　通过上面的程序，就可以实现抓取华强电子网的资讯信息。

　　入口方法 init($min, $max) 如果想抓取 1-500 页面内容，那么 init(1, 500) 即可！这样，用不了多长时间，华强电子网的资讯就会全部抓取到数据库里面了。^_^

　　执行界面：

　　数据库：