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：