采集练习(一) php 获得全国的小学(数据来自腾讯朋友网)
注:发现腾讯朋友网已经改版,部分参数需要自己获得修改 !!!
年前有个需求获得某省的小学数据,分析了下朋友网的小学学校发现可以获得相关数据。
如获得 湖南省郴州市宜章县的全部小学
发现网页请求的地址是
http://api.pengyou.com/json.php?cb=__i_3&mod=school&act=selector&schooltype=6&country=0&province=43&district=431022&g_tk=1964222334
这里返回的是一个json
document.domain = "pengyou.com"; __i_3({"code":0,"subcode":0,"......});
解析后发现里面是 宜章县的全部小学。。。
分析了下参数
schooltype=6 表示小学
country = 0 表示 中国
province = 43 表示湖南省
district = 431022 表示宜章县
g_tk = 1964222334 不清楚 估计是随机数
有了这几个参数 就可以自己获得相应的 小学了。。
获得 湖南省郴州市 的所有县: http://api.pengyou.com/json.php?cb=__i_6&mod=getdistrict&cityid=4310&district_obj_name=_distinct&g_tk=271354436
要获得 学校必须获得province 、district 的值 但我没发现相应的网络请求获得相应的 province 、district 于是到页面上查找 发现 province 的值来自
http://cn.qzonestyle.gtimg.cn/campus/js/locations.js
需要解决的问题:
1、 获得locations.js 里的 省份 城市 id 值 时 需要 用到正则表达式
2、 根据 市 id 获得县 id
3、file_get_contents 获得 相关学校时 需要带上 相应的 user_agent 并配置 否则获不到数据。
以下是相应的代码
header("Content-type:text/html; charset=utf-8"); set_time_limit(0); $js_data = @file_get_contents("locations.js"); preg_match_all("/;location_array\[([0-9]{2})?\]='([^']+)?'/",$js_data,$locations); $datas = array(); if(array_filter($locations[1]) && array_filter($locations[2])){ foreach($locations[1] as $key => $val){ preg_match_all("/;sublocation_array\[".$val."\]\[([0-9]{4,})\]='([^']+)?'/", $js_data, $matches); $datas[$val]['name']= $locations[2][$key]; foreach($matches[1] as $k =>$v){ $datas[$val]['sub'][$v] = $matches[2][$k]; } } } function getDatas($url) { $getPageSetting = array( 'http' => array( 'timeout' => 5, 'method' => 'GET', 'protocol_version'=>'1.1', 'header' => "User-Agent: Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_0 like Mac OS X; en-us) AppleWebKit/532.9 (KHTML, like Gecko) Version/4.0.5 Mobile/8A293 Safari/6531.22.7\r\n" . //"Referer: http://......php\r\n".浏览器访问过的,上一个页面的整个url地址字符串,直接在地址栏输入url访问此页面则没有此项 "Host: isdspeed.qq.com\r\n" .//这项可以省略,如果这里设置错误会报错:failed to open stream: HTTP request failed! "Accept-Language: zh-cn,zh;q=0.5\r\n" . "Accept-Encoding: gzip, deflate\r\n" . "Accept-Charset: GBK,utf-8;q=0.7,*;q=0.3\r\n" . "Content-Type:application/x-www-form-urlencoded". "Accept: text/javascript, application/javascript, */*\r\n" . "Connection: keep-alive\r\n\r\n" ) ); //$getHtml= file_get_contents($url, FALSE, stream_context_create($getPageSetting));
// 发现腾讯朋友网已经改版 所以直接用 file_get_contents 获得
$getHtml = file_get_contents($url); return $getHtml; } /** * 创建文件夹 * @param string $path 文件夹路径 */ function createFolder($path) { if (!file_exists($path)) { createFolder(dirname($path)); mkdir($path, 0777); } } $areas = array(); // 获得相关省市县的小学 foreach ($datas as $pid=>$rows){ foreach($rows as $k=>$v){ if($k =='sub'){ foreach($v as $cid =>$city){ $cityUrl = "http://api.pengyou.com/json.php?mod=getdistrict&cityid=".$cid."&district_obj_name=_distinct&g_tk=1523170442"; $result = getDatas($cityUrl); $districtIds = json_decode($result,true); $areas[$pid][$cid] = $districtIds['result']['district_arr']; $district_arr= $districtIds['result']['district_arr']; foreach($district_arr as $did =>$district){ $url = "http://api.pengyou.com/json.php?&mod=school&act=selector&schooltype=6&country=0&province=".$pid."&district=".$did."&g_tk=1523170442"; $schools = getDatas($url); $schools = json_decode($schools,true); $school_data = str_replace("·","\r\n",strip_tags($schools['result'])); $dirs = "school/".iconv('utf-8', 'gbk', $rows['name'])."/".iconv('utf-8', 'gbk', $city); createFolder($dirs); @file_put_contents($dirs.'/'.iconv('utf-8', 'gbk', $district).'.txt', $school_data); } } } } } echo '<pre>'; print_r($areas);