什么叫采集？

就是使用PHP程序，把其他網(wǎng)站中的信息抓取到我們自己的數(shù)據(jù)庫中、網(wǎng)站中。

PHP制作采集的技術(shù)

從底層的socket到高層的文件操作函數(shù)，一共有3種方法可以實現(xiàn)采集。

1. 使用socket技術(shù)采集：

socket采集是最底層的，它只是建立了一個長連接，然后我們要自己構(gòu)造http協(xié)議字符串去發(fā)送請求。

例如要想獲取這個頁面的內(nèi)容，http://tv.youku.com/?spm=a2hww.20023042.topNav.5~1~3!2~A，用socket寫如下：

<?php//連接,$error錯誤編號,$errstr錯誤的字符串,30s是連接超時時間$fp=fsockopen('www.youku.com',80,$errno,$errstr,30);if(!$fp) die('連接失敗'.$errstr); //構(gòu)造http協(xié)議字符串，因為socket編程是最底層的，它還沒有使用http協(xié)議$http='GET /?spm=a2hww.20023042.topNav.5~1~3!2~A HTTP/1.1rn'; // rn表示前面的是一個命令$http.='Host:www.youku.comrn'; //請求的主機$http.='Connection:closernrn'; // 連接關(guān)閉，最后一行要兩個rn //發(fā)送這個字符串到服務(wù)器fwrite($fp,$http,strlen($http));//接收服務(wù)器返回的數(shù)據(jù)$data=’’;while (!feof($fp)) {$data.=fread($fp,4096); //fread讀取返回的數(shù)據(jù)，一次讀取4096字節(jié)}//關(guān)閉連接fclose($fp);var_dump($data);?>

打印出的結(jié)果如下，包含了返回的頭信息及頁面的源碼：

2. 使用curl_一套函數(shù)

curl把HTTP協(xié)議都封裝成了很多函數(shù)，直接傳相應(yīng)參數(shù)即可，降低了編寫HTTP協(xié)議字符串的難度。

前提：在php.ini中要開啟curl擴展。

//生成一個curl對象$curl=curl_init();//設(shè)置URL和相應(yīng)的選項curl_setopt($curl, CURLOPT_URL, 'http://www.youku.com');curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1); //將curl_exec()獲取的信息以字符串返回，而不是直接輸出。//執(zhí)行curl操作$data=curl_exec($curl);var_dump($data);

打印出的結(jié)果如下，只包含頁面的源碼：

3. 直接使用file_get_contents（最頂層的）

前提：在php.ini中設(shè)置允許打開一個網(wǎng)絡(luò)的url地址。

//使用file_get_contents()$data=file_get_contents('http://www.youku.com');var_dump($data);

3種方式的選擇

網(wǎng)絡(luò)之間通信主要使用的是以上三種。其中后兩種用的較多：如果要批量采集大量的數(shù)據(jù)時使用第二種【CURL】，性能好、穩(wěn)定。

偶爾發(fā)幾個請求發(fā)的頻繁不密集時使用第三種。

擴展：圖片的防盜鏈如何破？

比如7060網(wǎng)站上的圖片做了防盜鏈：在他的網(wǎng)站中可以看到圖片，把圖片拿到站外就無法訪問。

原理：在HTTP協(xié)議中有一個referer項，代表發(fā)這個請求的來源地址，服務(wù)器會判斷如果這個請求不是這個網(wǎng)站發(fā)來的就會過濾掉這個請求：

解決辦法：發(fā)HTTP時自己模擬referer即可：

擴展：有些要采集數(shù)據(jù)時時必須先登錄，可以使用模擬的試模擬在登錄狀態(tài)下的采集：

a. 先用瀏覽登錄一下，登錄完，瀏覽器的COOKIE中就會有SESSIONID

b. 發(fā)PHP發(fā)HTTP協(xié)議時，把瀏覽器中的SESSIONID放到PHP的HTTP協(xié)議請求里，這樣就在以登錄的狀態(tài)發(fā)請求。

總結(jié)：所有客戶端發(fā)過來的數(shù)據(jù)都可以被模擬，所以服務(wù)器上的程序必須要必要的地方過濾客戶端的數(shù)據(jù)。

什么時候用以上東西？接口開發(fā)時、采集時。

數(shù)據(jù)采集

例如我要采集這個url里的所有美國電影的信息,

http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html

則先要知道電影所在的節(jié)點的結(jié)構(gòu)，我們使用firebug查看。

然后開始寫代碼：完整代碼如下

/** * 發(fā)一個GET請求獲取數(shù)據(jù) */function get($url){ global $curl; // 配置curl中的http協(xié)議->可配置的薦可以查PHP手冊中的curl_ curl_setopt($curl, CURLOPT_URL, $url); curl_setopt($curl, CURLOPT_RETURNTRANSFER, TRUE); curl_setopt($curl, CURLOPT_HEADER, FALSE); // 執(zhí)行這個請求 return curl_exec($curl);} // 生成一個curl對象$curl = curl_init();$url=’http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html’;$data=get($url);// 匹配電影所在位置$list_preg = ’/<li class='yk-col4 mr1'>.+</li>/Us’;// 匹配img標簽上的src和alt$img_preg = ’/<img _src='(.*)' src='http://www.aoyou183.cn/bcjs/(.*)' alt='(.*)' />/U’;//匹配電影的url$video_preg=’/<a href='http://www.aoyou183.cn/bcjs/(.*)' rel='external nofollow' target='(.*)'></a>/U’;//把所有的li存到$list里，$list是個二維數(shù)組preg_match_all($list_preg,$data,$list); //var_dump($list);foreach ($list[0] as $k => $v) { //這里$v就是每一個li標簽/* 獲取圖片及電影名稱 preg_match($img_preg,$v,$img); //把匹配到的圖片的信息存到$img里 var_dump($img); */ /*獲取電影地址 preg_match($video_preg,$v,$video); //把匹配到的電影的信息存到$video里 var_dump($video);*/ preg_match($img_preg,$v,$img); preg_match($video_preg,$v,$video); echo $img[0].’<a href='http://www.aoyou183.cn/bcjs/’.$video[1].’' rel='external nofollow' >’.$video[2].’</a>’;}

測試：

打印$list;

打印$img

打印$video

最終效果：

如果需要把圖片拷貝到硬盤上，則在foreach循環(huán)里加上以下代碼：

$imgData = get($img[1]); // 把圖片文件寫到硬盤上【下載】 // 因為操作系統(tǒng)是GBK的，所以要把UTF8轉(zhuǎn)成GBK is_dir(’./youkuimg/’) ? ’’: mkdir(’./youkuimg/’);file_put_contents(’./youkuimg/’.mb_convert_encoding($img[3], ’gbk’, ’utf-8’).’.jpg’, $imgData);

效果如下：在當前目錄下的youkuimg目錄下就會有下載好的圖片。

以上就是PHP使用三種方法實現(xiàn)數(shù)據(jù)采集的詳細內(nèi)容，更多關(guān)于PHP使數(shù)據(jù)采集的資料請關(guān)注好吧啦網(wǎng)其它相關(guān)文章！