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 http://www.hqew.com/info-c10.html,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http://www.hqew.com/info-c10-1.html;第2页为http://www.hqew.com/info-c10-2.html;……第500页为http://www.hqew.com/info-c10-500.html;
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:
1
2
3
4
5
6
7
8
|
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 = 'http://www.hqew.com' . $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', '', $v);
- $v = preg_replace('%(<spans*[^>]*>(.*)</span>)%usi', '', $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', '', $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; $i++) {
- data("http://www.hqew.com/info-c10-{$i}.html");
- }
- }
- init(1, 500); // 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: