服务器之家:专注于服务器技术及软件下载分享
分类导航

PHP教程|ASP.NET教程|Java教程|ASP教程|编程技术|正则表达式|C/C++|IOS|C#|Swift|Android|VB|R语言|JavaScript|易语言|vb.net|

服务器之家 - 编程语言 - PHP教程 - PHP实现小偷程序实例

PHP实现小偷程序实例

2021-03-17 16:25ruxingli PHP教程

本篇文章主要介绍了PHP实现小偷程序实例,实现了抓取网页咨询和商品信息的功能,具有一定的参考价值,感兴趣的小伙伴们可以参考一下。

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):

PHP实现小偷程序实例

“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:

  1. <?php 
  2. /** 
  3. * 抓取“华强电子网”资讯程序 
  4. * author lee. 
  5. * last modify $date: 2012-1-3 15:39:35 $ 
  6. */ 
  7. header('content-type:text/html;charset=utf-8'); 
  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 
  9. $mysqli->set_charset('utf8'); # 设置数据库编码 
  10. function data($url) { 
  11.   global $mysqli; 
  12.   $result = file_get_contents($url); # $result 获取 url 链接内容(注意:这里是文章列表链接) 
  13.   $pattern = '/<li><span class="box_r">.+</span><a href="([^"]+)" title=".+" >.+</a></li>/usi'; # 取得文章 url 的匹配正则 
  14.   preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配给数组$arr(二维数组) 
  15.   foreach ($arr[1] as $val) { 
  16.     $val = 'http://www.hqew.com' . $val; # 真实文章 url 地址 
  17.     $re = file_get_contents($val); # $re 为文章 url 的内容 
  18.     $pa = '/<div id="article">s+<h1>(.+)</h1>s+<p id="article_extinfo">s+发布:s+(.+)s+|s+作者:s+(.+)s+|s+来源:s+(.*?)s+<span style="display:none" >.+<div id="article_body">s*(.+)s+</div>s+</div><!--article end-->/usi'; # 取得文章内容的正则 
  19.     preg_match_all($pa, $re, $array); # 把取到的内容分配到数组 $array 
  20.     $content = trim($array[5][0]);  
  21.     $con = array( 
  22.         'title'=>mysqlstring($array[1][0]), 
  23.         'date'=>mysqlstring($array[2][0]),  
  24.         'author'=>mysqlstring(stripauthortag($array[3][0])), 
  25.         'source'=>mysqlstring($array[4][0]),  
  26.         'content'=>mysqlstring(stripcontenttag($content)) 
  27.       ); 
  28.     $sql = "insert into article(title,date,author,source,content) values ('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')"
  29.     $row = $mysqli->query($sql); # 添加到数据库 
  30.     if ($row) { 
  31.       echo 'add success!'
  32.     } else { 
  33.       echo 'add failed!'
  34.     } 
  35.   } 
  36. /** 
  37.  * stripofficetag($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…… 
  38.  * @param string $v 
  39.  * @return string 
  40.  */ 
  41. function stripcontenttag($v){ 
  42.   $v = str_replace('<p> </p>''', $v); 
  43.   $v = str_replace('<p />''', $v); 
  44.   $v = preg_replace('/<a href=".+" target="_blank"><strong>(.+)</strong></a>/usi''', $v); 
  45.   $v = preg_replace('%(<spans*[^>]*>(.*)</span>)%usi''', $v); 
  46.   $v = preg_replace('%(s+class="mso[^"]+")%si''', $v); 
  47.   $v = preg_replace('%( style="[^"]*mso[^>]*)%si''', $v); 
  48.   $v = preg_replace('/<b></b>/''', $v); 
  49.   return $v; 
  50.   
  51. /** 
  52.  * striptitletag($title) 对文章标题进行过滤 
  53.  * @param string $v 
  54.  * @return string 
  55.  */ 
  56. function stripauthortag($v) { 
  57.   $v = preg_replace('/<a href=".+" target="_blank">(.+)</a>/usi''', $v); 
  58.   return $v; 
  59.   
  60. /** 
  61.  * mysqlstring($str) 过滤数据 
  62.  * @param string $str 
  63.  * @return string 
  64.  */ 
  65. function mysqlstring($str) { 
  66.   return addslashes(trim($str)); 
  67.   
  68. /** 
  69.  * init($min, $max) 入口程序方法,从 $min 页开始取,到 $max 页结束 
  70.  * @param int $min 从 1 开始 
  71.  * @param int $max 
  72.  * @return string 返回 url 地址 
  73.  */ 
  74. function init($min=1, $max) { 
  75.   for ($i=$min; $i<=$max; $i++) { 
  76.     data("http://www.hqew.com/info-c10-{$i}.html"); 
  77.   } 
  78. init(1, 500); // 程序入口,从第一页开始抓,抓取500页 
  79. ?> 

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:

PHP实现小偷程序实例

数据库:

PHP实现小偷程序实例

延伸 · 阅读

精彩推荐