PHP 爬取网页的主要方法

　　主要流程就是获取整个网页，然后正则匹配（关键的）。

　　PHP抓取页面的主要方法,有几种方法是网上前辈的经验，现在还没有用到的，先存下来以后试试。

　　1.file()函数

　　2.file_get_contents()函数

　　3.fopen()->fread()->fclose()模式

　　4.curl方式 （本人主要用这个）

　　5.fsockopen()函数 socket模式

　　6.插件(如：

　　7.file()函数

　　 <?php //定义url $url=[函数读取内容数组 $lines_array=file($url);//拆分数组为字符串 $lines_string=implode(,$lines_array);//输出内容 echo $lines_string;

　　2.使用file_get_contents方法实现，比较简单。

　　使用file_get_contents和fopen必须空间开启allow_url_fopen。方法：编辑，设置 allow_url_fopen = On，allow_url_fopen关闭时fopen和file_get_contents都不能打开远程文件。

　　 $url=[如果出现中文乱码使用下面代码` //$getcontent = iconv(gb2312, utf-8,$html); echo<textarea style=width:800px;height:600px;>.$html.</textarea>;

　　3.fopen()->fread()->fclose()模式 ，目前还没用过，看到了就先记下了

　　 <?php //定义url $url=[以二进制方式打开 $handle=fopen($url,rb);//变量初始化 $lines_string=;//循环读取数据 do{ $data=fread($handle,1024); if(strlen($data)==0) {` break; } $lines_string.=$data; }while(true);//关闭fopen句柄，释放资源 fclose($handle);//输出内容 echo $lines_string;

　　4.使用curl实现（本人一般使用这个）。

　　使用curl必须空间开启curl。方法：windows下修改php.ini，将extension=php_curl.dll前面的分号去掉，而且需 要拷贝ssleay32.dll和libeay32.dll到C:\WINDOWS\system32下；Linux下要安装curl扩展。

　　 <?php header(Content-Type: text/html;charset=utf-8); date_default_timezone_set(PRC); $url = 要爬取的网址 $res = curl_get_contents($url);//curl封装方法 preg_match_all(/<script>(.*?)<\/script>/,$res,$arr_all);//这个网页中数据通过js包过来，所以直接抓js就可以 preg_match_all(/id\:(.*?),/,$arr_all[1][1],$arr1);//从js块中匹配要的数据 $list = array_unique($arr1[1]);//（可省）保证不重复 //以下则是同理，循环则可 for($i=0;$i<=6;$i=$i+2){ $detail_url = ht*****em/.$list[$i]; $detail_res = curl_get_contents($detail_url); preg_match_all(/<script>(.*?)<\/script>/,$detail_res,$arr_detail); preg_match(/desc\:(.*?),/,$arr_detail[1][1],$arr_content); *** *** *** $ret=curl_post(此脚本未放在服务器上，原因大家懂就好哈。 } function curl_get_contents($url,$cookie=,$referer=,$timeout=300,$ishead=0) { $curl = curl_init(); curl_setopt($curl, CURLOPT_RETURNTRANSFER,1); curl_setopt($curl, CURLOPT_FOLLOWLOCATION,1); curl_setopt($curl, CURLOPT_URL,$url); curl_setopt($curl, CURLOPT_TIMEOUT,$timeout); curl_setopt($curl, CURLOPT_USERAGENT,Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36); if($cookie) { curl_setopt( $curl, CURLOPT_COOKIE,$cookie); } if($referer) { curl_setopt ($curl,CURLOPT_REFERER,$referer); } $ssl = substr($url, 0, 8) == 数据到服务器 function curl_post($url,$data){ $ch = curl_init(); curl_setopt($ch,CURLOPT_RETURNTRANSFER,1); //curl_setopt($ch,CURLOPT_FOLLOWLOCATION, 1); curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE); curl_setopt($ch,CURLOPT_USERAGENT,Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36); curl_setopt($ch,CURLOPT_URL,$url); curl_setopt($ch,CURLOPT_POST,true); curl_setopt($ch,CURLOPT_POSTFIELDS,$data); $output = curl_exec($ch); curl_close($ch); return $output; } ?>

　　5.fsockopen()函数 socket模式（没用过，以后可以试试）

　　socket模式能否正确执行，也跟服务器的设置有关系，具体可以通过phpinfo查看服务器开启了哪些通信协议

　　6.snoopy插件，最新版本是Snoopy-1.2.4.zip Last Update: 2013-05-30，推荐大家使用

　　使用网上非常流行的snoopy来进行采集，这是一个非常强大的采集插件，并且它的使用非常方便，你也可以在里面设置agent来模拟浏览器信息。

　　说明：设置agent是在 Snoopy.class.php 文件的第45行，请在该文件中搜索 “var 公式输入有误_SERVER[HTTP_USER_AGENT]; 可以得到浏览器信息，将echo出来的内容复制到agent里面就可以了。

　　 <?php //引入snoopy的类文件 require(Snoopy.class.php); //初始化snoopy类 $snoopy=new Snoopy; $url=[开始采集内容` $snoopy->fetch($url); //保存采集内容到$lines_string $lines_string=$snoopy->results; //输出内容，嘿嘿，大家也可以保存在自己的服务器上 echo $lines_string;

　　总结

　　以上所述是小编给大家介绍的PHP 爬取网页的主要方法，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对脚本之家网站的支持！