PHP 採集程式原理分析篇_php技巧

苦想了幾天，終於弄明白了裡面的道理。在這裡寫出來，請高手指正。
採集程式的思路很簡單，無非就是先打一個頁面，一般都是列表頁，取得裡面全部連結的地址，然後開啟逐條連結，尋找我們感興趣的東西，如果找到，就把它入庫或別的處理。下面以一個很簡單的例子來說說。

首先確定一個採集頁，一般就是列表面了。這裡目標是:http://www.jb51.net/article/11/index.htm。這是一個列表頁，我們的目的就是採集這個列表頁上全部的文章。

有列表頁了，第一步先開啟它，把它的內容納入到我們的程式中來。一般用fopen或是file_get_contents這兩個函數，我們這裡用fopen作例子。怎麼開啟它呢？很簡單：$source=fopen("http://www.jb51.net/article/11/index.htm",'r')；實際上已經把內容納入到我們的程式中來了。注意得到的$source是一個資源，不是可處理的文本，所以再用函數fread將內容讀到一個變數中，這次就是真正的可編輯的文本了。例子：
$content=fread($source,99999);後面的數字表示位元組數，填個大的就行。你用file_put_contents將$content寫入到一個文字檔，可以看出裡面的內容其實就是網頁的源碼。得到了網頁的源碼，我們就要分析裡面的文章連結地址，這裡要用到Regex了，[推薦Regex教程（http://www.jb51.net/article/7/all/545.1.htm）]。通過查看原始碼，我們可以看到裡面文章的連結地址全是這個樣子<div class="in_arttitle"><a href="http://www.jb51.net/article/10/all/273.1.htm">　　將資料庫連接代碼封裝在函數裡，在需要讀取時調用..</a>
我們就可以寫Regex了。$count=preg_match_all("/<div class=\"in_arttitle\"><a\shref=\"(.+?)\">(.+?)<\/a>/",$content,$art_list);
其中數組$art_list[1][$s]裡麵包含的就是某個文章的連結地址。而$art_list[2][$s]包含的就是某一文章的標題。到了這一步就可以算成功了一半了。
接著用for迴圈依次打每個連結，然後像取得標題一樣的方法取得內容即可。以上這些和我在網上找的教程都差不多，但是到了這個for迴圈網上的教程可就差勁，還沒找到一篇可以說清這個事的文章，剛開始我是用js來協助迴圈的，還是用執行個體說吧，剛開始我是這樣做的：
for($i=0;$i<20;4i++ {
中間就是採集內容的部分了，省略了
採集了一頁，肯定要採集再一頁啊
可是再用fopen開啟連結時就不行了。請求失敗什麼的，用js也不行，最後才知道要用這句echo "<META HTTP-EQUIV=REFRESH CONTENT='0;URL=aa.php?id=1'>";其中aa.php就是我們的程式的檔案名稱， id後面的數字就可以協助我們實現迴圈，採集多個頁面。這就是能真正迴圈起來的關鍵
}
腦子有點難受，寫得有點亂，將就著看吧，在高手看來這可能沒什麼大不了的，可是對於我等菜鳥來說，實在是很有協助。