使用PHP如何爬取網頁

在PHP中爬取網頁資料的主要流程就是先擷取整個網頁資料，然後正則匹配（關鍵的）所需要的網頁資料。

PHP讀取頁面的主要方法,有幾種方法擷取頁面資料的樣本是網上前輩的經驗，現在還沒有用到的，先存下來以後試試。

1.file()函數

2.file_get_contents()函數

3.fopen()->fread()->fclose()模式

4.curl方式 （本人主要用這個）

5.fsockopen()函數 socket模式

6.外掛程式(如：http://sourceforge.net/projects/snoopy/)

7.file()函數

<?php//定義url$url='[http://t.qq.com](http://t.qq.com/)';//fiel函數讀取內容數組$lines_array=file($url);//拆分數組為字串$lines_string=implode('',$lines_array);//輸出內容echo $lines_string;　

2.使用file_get_contents方法實現，比較簡單。

使用file_get_contents和fopen必須空間開啟allow_url_fopen。方法：編輯php.ini，設定 allow_url_fopen = On，allow_url_fopen關閉時fopen和file_get_contents都不能開啟遠程檔案。

$url="[http://news.sina.com.cn/c/nd/2016-10-23/doc-ifxwztru6951143.shtml](http://news.sina.com.cn/c/nd/2016-10-23/doc-ifxwztru6951143.shtml)";$html=file_get_contents($url);//如果出現中文亂碼使用下面代碼`//$getcontent = iconv("gb2312", "utf-8",$html);echo"<textarea style='width:800px;height:600px;'>".$html."</textarea>";

3.fopen()->fread()->fclose()模式 ，目前還沒用過，看到了就先記下了

<?php//定義url$url='[http://t.qq.com](http://t.qq.com/)';//fopen以二進位方式開啟 $handle=fopen($url,"rb");//變數初始化$lines_string="";//迴圈讀取資料do{$data=fread($handle,1024);  if(strlen($data)==0) {`break; } $lines_string.=$data;}while(true);//關閉fopen控制代碼，釋放資源fclose($handle);//輸出內容echo $lines_string;

4.使用curl實現（本人一般使用這個）。

使用curl必須空間開啟curl。方法：windows下修改php.ini，將extension=php_curl.dll前面的分號去掉，而且需 要拷貝ssleay32.dll和libeay32.dll到C:\WINDOWS\system32下；Linux下要安裝curl擴充。

<?phpheader("Content-Type: text/html;charset=utf-8");date_default_timezone_set('PRC');$url = "https://***********ycare";//要爬取的網址$res = curl_get_contents($url);//curl封裝方法preg_match_all('/<script>(.*?)<\/script>/',$res,$arr_all);//這個網頁中資料通過js包過來，所以直接抓js就可以preg_match_all('/"id"\:"(.*?)",/',$arr_all[1][1],$arr1);//從js塊中匹配要的資料$list = array_unique($arr1[1]);//（可省）保證不重複//以下則是同理，迴圈則可for($i=0;$i<=6;$i=$i+2){  $detail_url = 'ht*****em/'.$list[$i];  $detail_res = curl_get_contents($detail_url);  preg_match_all('/<script>(.*?)<\/script>/',$detail_res,$arr_detail);  preg_match('/"desc"\:"(.*?)",/',$arr_detail[1][1],$arr_content);  ***    ***    ***  $ret=curl_post('http://**********cms.php',$result);//此指令碼未放在伺服器上，原因大家懂就好哈。}function curl_get_contents($url,$cookie='',$referer='',$timeout=300,$ishead=0) {  $curl = curl_init();  curl_setopt($curl, CURLOPT_RETURNTRANSFER,1);  curl_setopt($curl, CURLOPT_FOLLOWLOCATION,1);  curl_setopt($curl, CURLOPT_URL,$url);  curl_setopt($curl, CURLOPT_TIMEOUT,$timeout);  curl_setopt($curl, CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');  if($cookie)  {    curl_setopt( $curl, CURLOPT_COOKIE,$cookie);  }  if($referer)  {    curl_setopt ($curl,CURLOPT_REFERER,$referer);  }  $ssl = substr($url, 0, 8) == "https://" ? TRUE : FALSE;  if ($ssl)  {    curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);    curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);  }  $res = curl_exec($curl);  return $res;  curl_close($curl);}//curl post資料到伺服器function curl_post($url,$data){  $ch = curl_init();  curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);  //curl_setopt($ch,CURLOPT_FOLLOWLOCATION, 1);  curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE);  curl_setopt($ch,CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');  curl_setopt($ch,CURLOPT_URL,$url);  curl_setopt($ch,CURLOPT_POST,true);  curl_setopt($ch,CURLOPT_POSTFIELDS,$data);  $output = curl_exec($ch);  curl_close($ch);  return $output; }?>

5.fsockopen()函數 socket模式（沒用過，以後可以試試）

socket模式能否正確執行，也跟伺服器的設定有關係，具體可以通過phpinfo查看伺服器開啟了哪些通訊協定

<?php$fp = fsockopen("t.qq.com", 80, $errno, $errstr, 30);if (!$fp) {  echo "$errstr ($errno)<br />\n";} else {  $out = "GET / HTTP/1.1\r\n";  $out .= "Host: t.qq.com\r\n";  $out .= "Connection: Close\r\n\r\n";  fwrite($fp, $out);  while (!feof($fp)) {    echo fgets($fp, 128);  }  fclose($fp);}

6.snoopy外掛程式，最新版本是Snoopy-1.2.4.zip Last Update: 2013-05-30，推薦大家使用

使用網上非常流行的snoopy來進行採集，這是一個非常強大的採集外掛程式，並且它的使用非常方便，你也可以在裡面設定agent來類比瀏覽器資訊。

說明：設定agent是在 Snoopy.class.php 檔案的第45行，請在該檔案中搜尋 “var 公式輸入有誤_SERVER['HTTP_USER_AGENT']; 可以得到瀏覽器資訊，將echo出來的內容複寫到agent裡面就可以了。

<?php//引入snoopy的類檔案require('Snoopy.class.php');//初始化snoopy類$snoopy=new Snoopy;$url="[http://t.qq.com](http://t.qq.com/)";//開始採集內容`$snoopy->fetch($url);//儲存採集內容到$lines_string$lines_string=$snoopy->results;//輸出內容，嘿嘿，大家也可以儲存在自己的伺服器上echo $lines_string;