<?php
//$url = "http://news.google.cn/news/section?pz=1&cf=all&ned=ccn&topic=i&ict=ln";
$url = "http://news.google.cn/news/section?pz=1&cf=all&ned=ccn&topic=t&ict=ln";
$lines_array = file($url);
$lines_string = implode('', $lines_array);
eregi('<head>(.*)</head>', $lines_string, $head1);
eregi('<table>(.*)</table>', $lines_string, $head2);
eregi('<div>(.*)</div>', $head2[0], $head3);
echo $head1[0];
echo $head3[0];
?>
译者：limodou
抓取和分析一个文件是非常简单的事。这个教程将通过一个例子带领你一步一步地去实现它。让我们开
始吧！
首先，我首必须决定我们将抓取的URL地址。可以通过在脚本中设定或通过$QUERY_STRING传递。为了简
单起见，让我们将变量直接设在脚本中。
<? $url = 'http://www.php.net'; ?>
第二步，我们抓取指定文件，并且通过file()函数将它存在一个数组里。
<? $url = 'http://www.php.net'; $lines_array = file($url); ?>
好了，现在在数组里已经有了文件了。但是，我们想分析的文本可能不全在一行里面。为了解决这个文
件，我们可以简单地将数组$lines_array转化成一个字符串。我们可以使用implode(x,y)函数来实现它。如
果在后面你想用explode(将字符串变量数组)，将x设成"|"或"!"或其它类似的分隔符可能会更好。但是出于
我们的目的，最好将x设成空格。y是另一个必要的参数，因为它是你想用implode()处理的数组。
<? $url = 'http://www.php.net'; $lines_array = file($url); $lines_string = implode('', $lines_array); ?>
现在，抓取工作就做完了，下面该进行分析了。出于这个例子的目的，我们想得到在<head>到</head>
之间的所有东西。为了分析出字符串，我们还需要叫做正规表达式的东西。
<? $url = 'http://www.php.net'; $lines_array = file($url); $lines_string = implode('', $lines_array); eregi("<head>(.*)</head>", $lines_string, $head); ?>
让我们看一下代码。正如你所见，eregi()函数按下面的格式执行：
eregi("<head>(.*)</head>", $lines_string, $head);
"(.*)"表示所有东西，可以解释为，"分析在<head>和</head>间的所以东西"。$lines_string是我们正
在分析的字符串，$head是分析后的结果存放的数组。
最后，我们可以输数据。因为仅在<head>和</head>间存在一个实例，我们可以安全的假设数组中仅存
在着一个元素，而且就是我们想要的。让我们把它打印出来吧。
<? $url = 'http://www.php.net'; $lines_array = file($url); $lines_string = implode('', $lines_array); eregi("<head>(.*)</head>", $lines_string, $head); echo $head[0]; ?>
这就是全部的代码了。
<?php
//获取所有内容url保存到文件
function
get_index
(
$save_file
,
$prefix
=
"index_"
){
$count
=
68
;
$i
=
1
;
if (
file_exists
(
$save_file
)) @
unlink
(
$save_file
);
$fp
=
fopen
(
$save_file
,
"a+"
) or die(
"Open "
.
$save_file
.
" failed"
);
while(
$i
<
$count
){
$url
=
$prefix
.
$i
.
".htm"
;
echo
"Get "
.
$url
.
"..."
;
$url_str
=
get_content_url
(
get_url
(
$url
));
echo
" OK/n"
;
fwrite
(
$fp
,
$url_str
);
++
$i
;
}
fclose
(
$fp
);
}
//获取目标多媒体对象
function
get_object
(
$url_file
,
$save_file
,
$split
=
"|--:**:--|"
){
if (!
file_exists
(
$url_file
)) die(
$url_file
.
" not exist"
);
$file_arr
=
file
(
$url_file
);
if (!
is_array
(
$file_arr
) || empty(
$file_arr
)) die(
$url_file
.
" not content"
);
$url_arr
=
array_unique
(
$file_arr
);
if (
file_exists
(
$save_file
)) @
unlink
(
$save_file
);
$fp
=
fopen
(
$save_file
,
"a+"
) or die(
"Open save file "
.
$save_file
.
" failed"
);
foreach(
$url_arr
as
$url
){
if (empty(
$url
)) continue;
echo
"Get "
.
$url
.
"..."
;
$html_str
=
get_url
(
$url
);
echo
$html_str
;
echo
$url
;
exit;
$obj_str
=
get_content_object
(
$html_str
);
echo
" OK/n"
;
fwrite
(
$fp
,
$obj_str
);
}
fclose
(
$fp
);
}
//遍历目录获取文件内容
function
get_dir
(
$save_file
,
$dir
){
$dp
=
opendir
(
$dir
);
if (
file_exists
(
$save_file
)) @
unlink
(
$save_file
);
$fp
=
fopen
(
$save_file
,
"a+"
) or die(
"Open save file "
.
$save_file
.
" failed"
);
while((
$file
=
readdir
(
$dp
)) !=
false
){
if (
$file
!=
"."
&&
$file
!=
".."
){
echo
"Read file "
.
$file
.
"..."
;
$file_content
=
file_get_contents
(
$dir
.
$file
);
$obj_str
=
get_content_object
(
$file_content
);
echo
" OK/n"
;
fwrite
(
$fp
,
$obj_str
);
}
}
fclose
(
$fp
);
}
//获取指定url内容
function
get_url
(
$url
){
$reg
=
'/^http:////[^//].+$/'
;
if (!
preg_match
(
$reg
,
$url
)) die(
$url
.
" invalid"
);
$fp
=
fopen
(
$url
,
"r"
) or die(
"Open url: "
.
$url
.
" failed."
);
while(
$fc
=
fread
(
$fp
,
8192
)){
$content
.=
$fc
;
}
fclose
(
$fp
);
if (empty(
$content
)){
die(
"Get url: "
.
$url
.
" content failed."
);
}
return
$content
;
}
//使用socket获取指定网页
function
get_content_by_socket
(
$url
,
$host
){
$fp
=
fsockopen
(
$host
,
80
) or die(
"Open "
.
$url
.
" failed"
);
$header
=
"GET /"
.
$url
.
" HTTP/1.1/r/n"
;
$header
.=
"Accept: */*/r/n"
;
$header
.=
"Accept-Language: zh-cn/r/n"
;
$header
.=
"Accept-Encoding: gzip, deflate/r/n"
;
$header
.=
"User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; Maxthon; InfoPath.1; .NET CLR 2.0.50727)/r/n"
;
$header
.=
"Host: "
.
$host
.
"/r/n"
;
$header
.=
"Connection: Keep-Alive/r/n"
;
//$header .= "Cookie: cnzz02=2; rtime=1; ltime=1148456424859; cnzz_eid=56601755-/r/n/r/n";
$header
.=
"Connection: Close/r/n/r/n"
;
fwrite
(
$fp
,
$header
);
while (!
feof
(
$fp
)) {
$contents
.=
fgets
(
$fp
,
8192
);
}
fclose
(
$fp
);
return
$contents
;
}
//获取指定内容里的url
function
get_content_url
(
$host_url
,
$file_contents
){
//$reg = '/^(#|javascript.*?|ftp:////.+|http:////.+|.*?href.*?|play.*?|index.*?|.*?asp)+$/i';
//$reg = '/^(down.*?/.html|/d+_/d+/.htm.*?)$/i';
$rex
=
"/([hH][rR][eE][Ff])/s*=/s*['/"]*([^>'/"/s]+)[/"'>]*/s*/i"
;
$reg
=
'/^(down.*?/.html)$/i'
;
preg_match_all
(
$rex
,
$file_contents
,
$r
);
$result
=
""
;
//array();
foreach(
$r
as
$c
){
if (
is_array
(
$c
)){
foreach(
$c
as
$d
){
if (
preg_match
(
$reg
,
$d
)){
$result
.=
$host_url
.
$d
.
"/n"
; }
}
}
}
return
$result
;
}
//获取指定内容中的多媒体文件
function
get_content_object
(
$str
,
$split
=
"|--:**:--|"
){
$regx
=
"/href/s*=/s*['/"]*([^>'/"/s]+)[/"'>]*/s*(.*?<//b>)/i"
;
preg_match_all
(
$regx
,
$str
,
$result
);
if (
count
(
$result
) ==
3
){
$result
[
2
] =
str_replace
(
"多媒体： "
,
""
,
$result
[
2
]);
$result
[
2
] =
str_replace
(
"
"
,
""
,
$result
[
2
]);
$result
=
$result
[
1
][
0
] .
$split
.
$result
[
2
][
0
] .
"/n"
;
}
return
$result
;
}
?>
扫一扫
1802
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
