PHP实现小偷程序实例

时间:2021-05-02

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
  • *authorlee.
  • *lastmodify$date:2012-1-315:39:35$
  • */
  • header('content-type:text/html;charset=utf-8');
  • $mysqli=newmysqli('localhost','root','1715544','article');#数据库连接,请手动修改您自己的数据库信息
  • $mysqli->set_charset('utf8');#设置数据库编码
  • functiondata($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)
  • $pattern='/<li><spanclass="box_r">.+</span><ahref="([^"]+)"title=".+">.+</a></li>/usi';#取得文章url的匹配正则
  • preg_match_all($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
  • $pa='/<divid="article">s+<h1>(.+)</h1>s+<pid="article_extinfo">s+发布:s+(.+)s+|s+作者:s+(.+)s+|s+来源:s+(.*?)s+<spanstyle="display:none">.+<divid="article_body">s*(.+)s+</div>s+</div><!--articleend-->/usi';#取得文章内容的正则
  • preg_match_all($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))
  • );
  • $sql="insertintoarticle(title,date,author,source,content)values('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')";
  • $row=$mysqli->query($sql);#添加到数据库
  • if($row){
  • echo'addsuccess!';
  • }else{
  • echo'addfailed!';
  • }
  • }
  • }
  • /**
  • *stripofficetag($v)对文章内容进行过滤,比如:去掉文章中的链接,过滤掉没用的html标签……
  • *@paramstring$v
  • *@returnstring
  • */
  • functionstripcontenttag($v){
  • $v=str_replace('<p></p>','',$v);
  • $v=str_replace('<p/>','',$v);
  • $v=preg_replace('/<ahref=".+"target="_blank"><strong>(.+)</strong></a>/usi','',$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
  • *@paramstring$v
  • *@returnstring
  • */
  • functionstripauthortag($v){
  • $v=preg_replace('/<ahref=".+"target="_blank">(.+)</a>/usi','',$v);
  • return$v;
  • }
  • /**
  • *mysqlstring($str)过滤数据
  • *@paramstring$str
  • *@returnstring
  • */
  • functionmysqlstring($str){
  • returnaddslashes(trim($str));
  • }
  • /**
  • *init($min,$max)入口程序方法,从$min页开始取,到$max页结束
  • *@paramint$min从1开始
  • *@paramint$max
  • *@returnstring返回url地址
  • */
  • functioninit($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:

    声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。

    相关文章