PHP 实现批量抓取远程页面内容（小偷程序）

mlczhg

　　为什么使用“小偷程序”？

　　远程抓取文章资讯或商品信息是很多企业要求程序员实现的功能，也就是俗说的小偷程序。其最主要的优点是：解决了公司网编繁重的工作，大大提高了效率。只需要一运行就能快速的抓取别人网站的信息。
　　“小偷程序”在哪里运行？
　　“小偷程序” 应该在 Windows 下的 DOS（参考文章：http://blog.csdn.net/liruxing1715/article/details/7079488） 或 Linux 下通过 PHP 命令运行为最佳，因为，网页运行会超时。
　　比如图（Windows 下 DOS 为例）：

　　“小偷程序”的实现
　　这里主要通过一个实例来讲解，我们来抓取下“华强电子网”的资讯信息，请先看观察这个链接 http://www.hqew.com/info-c10.html，当您打开这个页面的时候发现这个页面会发现一些现象：
　　1、资讯列表有 500 页（2012-01-03）；
　　2、每页的 url 链接都有规律，比如：第1页为http://www.hqew.com/info-c10-1.html；第2页为http://www.hqew.com/info-c10-2.html；……第500页为http://www.hqew.com/info-c10-500.html；
　　3、由第二点就可以知道，“华强电子网” 的资讯是伪静态或者是生成的静态页面
　　其实，基本上大部分的网站都有这样的规律，比如：中关村在线、慧聪网、新浪、淘宝……。
　　这样，我们可以通过这样的思路来实现页面内容的抓取：
　　1、先获取文章列表页内容；
　　2、根据文章列表页内容循环获取文章的 url 地址；
　　3、根据文章的 url 地址获取文章的详细内容
　　这里，我们主要抓取资讯页里面的：标题（title）、发布如期（date）、作者（author）、来源（source）、内容（content）
　　“华强电子网”资讯抓取
　　首先，先建数据表结构，如下所示：
CREATE TABLE `article`.`article` (`id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY ,`title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,`date` VARCHAR( 50 ) NOT NULL ,`author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,`source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,`content` TEXT NOT NULL) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci;
抓取程序：

<?php/*** 抓取“华强电子网”资讯程序* author Lee.* Last modify $Date: 2012-1-3 15:39:35 $*/header('Content-Type:text/html;Charset=utf-8');$mysqli = new mysqli('localhost', 'root', '1715544', 'article'); # 数据库连接，请手动修改您自己的数据库信息$mysqli->set_charset('UTF8'); # 设置数据库编码function data($url) {global $mysqli;$result = file_get_contents($url); # $result 获取 url 链接内容（注意：这里是文章列表链接）$pattern = '/<li><span class="box_r">.+<\/span><a href="([^"]+)"  title=".+" >.+<\/a><\/li>/Usi'; # 取得文章 url 的匹配正则preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配给数组$arr(二维数组)foreach ($arr[1] as $val) {$val = 'http://www.hqew.com' . $val; # 真实文章 url 地址$re = file_get_contents($val); # $re 为文章 url 的内容$pa = '/<div id="article">\s+<h1>(.+)<\/h1>\s+<p id="article\_extinfo">\s+发布:\s+(.+)\s+\|\s+作者:\s+(.+)\s+\|\s+来源:\s+(.*?)\s+<span style="display:none" >.+<div id="article_body">\s*(.+)\s+<\/div>\s+<\/div><!--article end-->/Usi'; # 取得文章内容的正则preg_match_all($pa, $re, $array); # 把取到的内容分配到数组 $array$content = trim($array[5][0]); $con = array('title'=>mysqlString($array[1][0]),'date'=>mysqlString($array[2][0]), 'author'=>mysqlString(stripAuthorTag($array[3][0])),'source'=>mysqlString($array[4][0]), 'content'=>mysqlString(stripContentTag($content)));$sql = "INSERT INTO article(title,date,author,source,content) VALUES ('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')";$row = $mysqli->query($sql); # 添加到数据库if ($row) {echo 'add success!';} else {echo 'add failed!';}}}/*** stripOfficeTag($v) 对文章内容进行过滤，比如：去掉文章中的链接，过滤掉没有的 HTML 标签……* @param string $v* @return string*/function stripContentTag($v){$v = str_replace('<p></p>', '', $v);$v = str_replace('<p />', '', $v);$v = preg_replace('/<a href=".+" target="\_blank"><strong>(.+)<\/strong><\/a>/Usi', '\1', $v);$v = preg_replace('%(<span\s*[^>]*>(.*)</span>)%Usi', '\2', $v);$v = preg_replace('%(\s+class="Mso[^"]+")%si', '', $v);$v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v);$v = preg_replace('/<b><\/b>/', '', $v);return $v;}/*** stripTitleTag($title) 对文章标题进行过滤* @param string $v* @return string*/function stripAuthorTag($v) {$v = preg_replace('/<a href=".+" target="\_blank">(.+)<\/a>/Usi', '\1', $v);return $v;}/*** mysqlString($str) 过滤数据* @param string $str* @return string*/function mysqlString($str) {return addslashes(trim($str));}/*** init($min, $max) 入口程序方法，从 $min 页开始取，到 $max 页结束* @param int $min 从 1 开始* @param int $max* @return string 返回 URL 地址*/function init($min=1, $max) {for ($i=$min; $i<=$max; $i++) {data("http://www.hqew.com/info-c10-{$i}.html");}}init(1, 500); #程序入口?>

　　通过上面的程序，就可以实现抓取华强电子网的资讯信息。
　　入口方法 init($min, $max) 如果想抓取 1-500 页面内容，那么 init(1, 500) 即可！这样，用不了多长时间，华强电子网的资讯就会全部抓取到数据库里面了。^_^
　　执行界面：

　　数据库：