php抓取页面的几种方式

我们在开发网络程序时，往往需要抓取非本地文件，一般情况下都是利用php模拟浏览器的访问，通过http请求访问url地址， 然后得到html源代码或者xml数据，得到数据我们不能直接输出，往往需要对内容进行提取，然后再进行格式化，以更加友好的方式显现出来。

下面简单说一下php抓取页面的几种方法及原理:

一、 PHP抓取页面的主要方法：

1. file()函数   

2. file_get_contents()函数 

3. fopen()->fread()->fclose()模式 

4.curl方式 

5. fsockopen()函数 socket模式 

6. 使用插件(如：http://sourceforge.net/projects/snoopy/)

二、PHP解析html或xml代码主要方式：

1. file()函数

[php] view plain copy print ?

1. <?php  
2. //定义url  
3. $url='http://t.qq.com';　  
4. //fiel函数读取内容数组  
5. $lines_array=file($url);　  
6. //拆分数组为字符串　  
7. $lines_string=implode('',$lines_array);　  
8. //输出内容，嘿嘿，大家也可以保存在自己的服务器上  
9. echo $lines_string;　  

 

 

2. file_get_contents()函数
使用file_get_contents和fopen必须空间开启allow_url_fopen。方法：编辑php.ini，设置 allow_url_fopen = On，allow_url_fopen关闭时fopen和file_get_contents都不能打开远程文件。

[php] view plain copy print ?

1. <?php   
2. //定义url   
3. $url='http://t.qq.com';  
4.  //file_get_contents函数远程读取数据  
5. $lines_string=file_get_contents($url);  
6.  //输出内容，嘿嘿，大家也可以保存在自己的服务器上   
7. echo htmlspecialchars($lines_string);  

 

3. fopen()->fread()->fclose()模式

 

[php] view plain copy print ?

1. <?php   
2. //定义url  
3. $url='http://t.qq.com';  
4.  //fopen以二进制方式打开     
5. $handle=fopen($url,"rb");  
6. //变量初始化  
7. $lines_string="";  
8. //循环读取数据  
9. do{       
10.     $data=fread($handle,1024);       
11.     if(strlen($data)==0) {   
12.         break;      
13.     }       
14. $lines_string.=$data;   
15. }while(true);  
16. //关闭fopen句柄，释放资源  
17. fclose($handle);  
18.  //输出内容，嘿嘿，大家也可以保存在自己的服务器上  
19. echo $lines_string;  

 

4. curl方式
使用curl必须空间开启curl。方法：windows下修改php.ini，将extension=php_curl.dll前面的分号去掉，而且需 要拷贝ssleay32.dll和libeay32.dll到C:\WINDOWS\system32下；Linux下要安装curl扩展。

 

[php] view plain copy print ?

1. <?php   
2. // 创建一个新cURL资源  
3. $url='http://t.qq.com';   
4. $ch=curl_init();   
5. $timeout=5;   
6. // 设置URL和相应的选项  
7. curl_setopt($ch, CURLOPT_URL, $url);  
8. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);  
9. curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);  
10. // 抓取URL  
11. $lines_string=curl_exec($ch);   
12. // 关闭cURL资源，并且释放系统资源  
13. curl_close($ch);  
14. //输出内容，嘿嘿，大家也可以保存在自己的服务器上  
15. echo $lines_string;  

 

5. fsockopen()函数 socket模式
socket模式能否正确执行，也跟服务器的设置有关系，具体可以通过phpinfo查看服务器开启了哪些通信协议。

 

[php] view plain copy print ?

1. <?php  
2. $fp = fsockopen("t.qq.com", 80, $errno, $errstr, 30);  
3. if (!$fp) {  
4.     echo "$errstr ($errno)<br />\n";  
5. } else {  
6.     $out = "GET / HTTP/1.1\r\n";  
7.     $out .= "Host: t.qq.com\r\n";  
8.     $out .= "Connection: Close\r\n\r\n";  
9.     fwrite($fp, $out);  
10.     while (!feof($fp)) {  
11.         echo fgets($fp, 128);  
12.     }  
13.     fclose($fp);  
14. }  

 

6. snoopy插件，最新版本是Snoopy-1.2.4.zip Last Update: 2013-05-30，推荐大家使用

使用网上非常流行的snoopy来进行采集，这是一个非常强大的采集插件，并且它的使用非常方便，你也可以在里面设置agent来模拟浏览器信息。

[php] view plain copy print ?

1. <?php  
2. //引入snoopy的类文件  
3. require('Snoopy.class.php');  
4. //初始化snoopy类  
5. $snoopy = new Snoopy;  
6. $url = "http://t.qq.com";  
7. //开始采集内容  
8. $snoopy->fetch($url);  
9.  //保存采集内容到$lines_string  
10. $lines_string = $snoopy->results;  
11. //输出内容，嘿嘿，大家也可以保存在自己的服务器上   
12. echo $lines_string;  

 

说明：设置agent是在 Snoopy.class.php 文件的第45行，请在该文件中搜索 “var $agent” （引号中的内容）。浏览器内容你可以使用PHP来获得，
使用 echo $_SERVER['HTTP_USER_AGENT']; 可以得到浏览器信息，将echo出来的内容复制到agent里面就可以了。