PHP 实现小偷程序

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（参考文章：http://blog.csdn.net/liruxing1715/article/details/7079488） 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：

[sql] view plaincopy
 
  1. CREATE TABLE `article`.`article` (  
  2. `id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY ,  
  3. `title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,  
  4. `date` VARCHAR( 50 ) NOT NULL ,  
  5. `author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,  
  6. `source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,  
  7. `content` TEXT NOT NULL  
  8. ) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci;  

        抓取程序：
[php] view plaincopy
 
  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 ($row) {  
  31.             echo 'add success!';  
  32.         } else {  
  33.             echo 'add failed!';  
  34.         }  
  35.     }  
  36. }  
  37. /** 
  38.  * stripOfficeTag($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…… 
  39.  * @param string $v 
  40.  * @return string 
  41.  */  
  42. function stripContentTag($v){  
  43.     $v = str_replace('<p> </p>', '', $v);  
  44.     $v = str_replace('<p />', '', $v);  
  45.     $v = preg_replace('/<a href=".+" target="\_blank"><strong>(.+)<\/strong><\/a>/Usi', '\1', $v);  
  46.     $v = preg_replace('%(<span\s*[^>]*>(.*)</span>)%Usi', '\2', $v);  
  47.     $v = preg_replace('%(\s+class="Mso[^"]+")%si', '', $v);  
  48.     $v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v);  
  49.     $v = preg_replace('/<b><\/b>/', '', $v);  
  50.     return $v;  
  51. }  
  52.   
  53. /** 
  54.  * stripTitleTag($title) 对文章标题进行过滤 
  55.  * @param string $v 
  56.  * @return string 
  57.  */  
  58. function stripAuthorTag($v) {  
  59.     $v = preg_replace('/<a href=".+" target="\_blank">(.+)<\/a>/Usi', '\1', $v);  
  60.     return $v;  
  61. }  
  62.   
  63. /** 
  64.  * mysqlString($str) 过滤数据 
  65.  * @param string $str 
  66.  * @return string 
  67.  */  
  68. function mysqlString($str) {  
  69.     return addslashes(trim($str));  
  70. }  
  71.   
  72. /** 
  73.  * init($min, $max) 入口程序方法，从 $min 页开始取，到 $max 页结束 
  74.  * @param int $min 从 1 开始 
  75.  * @param int $max 
  76.  * @return string 返回 URL 地址 
  77.  */  
  78. function init($min=1, $max) {  
  79.     for ($i=$min; $i<=$max; $i++) {  
  80.         data("http://www.hqew.com/info-c10-{$i}.html");  
  81.     }  
  82. }  
  83. init(1, 500);  // 程序入口，从第一页开始抓，抓取500页  
  84. ?>  

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：

 

posted @ 2015-03-27 13:52  无所不能  阅读(504)  评论(0)  编辑  收藏  举报