PHP數(shù)據(jù)采集常用的方法做網(wǎng)站很多時候需要用到數(shù)據(jù)采集入庫操作

更新時間：2022-04-25 編輯：創(chuàng)始人關注人次：0 云搜索

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：

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/1.1\r\n";   //  \r\n表示前面的是一個命令  
$http.="Host:www.youku.com\r\n";  //請求的主機  
$http.="Connection:close\r\n\r\n";   // 連接關閉，最后一行要兩個\r\n  
   
//發(fā)送這個字符串到服務器  
fwrite($fp,$http,strlen($http));  
//接收服務器返回的數(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)  
}  
//關閉連接  
fclose($fp);  
var_dump($data);  
?>

打印出的結果如下，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。

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。

[php] view plain copy

//生成一個curl對象
$curl=curl_init();
//設置URL和相應的選項
curl_setopt($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中設置允許打開一個網(wǎng)絡的url地址。

[php] view plain copy

//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。

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：所有客戶端發(fā)過來的數(shù)據(jù)都可以被模擬，所以服務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。

二、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)點的結構，我們使用firebug查看。

然后開始寫代碼：完整代碼如下

[php] view plain copy

/**
* 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 class="quic" _src="(.*)" src="(.*)" alt="(.*)" \/>/U';
//匹配電影的url
$video_preg='/<a href="(.*)" title="(.*)" target="(.*)"><\/a>/U';
//把所有的li存到$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 $img[0].'<a href="'.$video[1].'">'.$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：

[php] view plain copy

$imgData = get($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轉成GBK
is_dir('./youkuimg/') ? '': mkdir('./youkuimg/');
file_put_contents('./youkuimg/'.mb_convert_encoding($img[3], 'gbk', 'utf-8').'.jpg', $imgData);