掌握PHP 爬取网页的主要方法

主要流程就是获取整个网页，然后正则匹配（关键的）。

PHP抓取页面的主要方法,有几种方法是网上前辈的经验，现在还没有用到的，先存下来以后试试。

1.file()函数

2.file_get_contents()函数

3.fopen()->fread()->fclose()模式

4.curl方式 （本人主要用这个）

5.fsockopen()函数 socket模式

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

7.file()函数

<?php //定义url $url='[http://t.qq.com](http://t.qq.com/)';//fiel函数读取内容数组 $lines_array=file($url);//拆分数组为字符串 $lines_string=implode('',$lines_array);//输出内容 echo $lines_string;　

2.使用file_get_contents方法实现，比较简单。

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。

$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); //如果出现中文乱码使用下面代码` //$getcontent = iconv("gb2312", "utf-8",$html); echo"<textarea style='width:800px;height:600px;'>".$html."</textarea>";

3.fopen()->fread()->fclose()模式 ，目前还没用过，看到了就先记下了

<?php //定义url $url='[http://t.qq.com](http://t.qq.com/)';//fopen以二进制方式打开  $handle=fopen($url,"rb");//变量初始化 $lines_string="";//循环读取数据 do{ $data=fread($handle,1024);   if(strlen($data)==0) {` break;  }  $lines_string.=$data; }while(true);//关闭fopen句柄，释放资源 fclose($handle);//输出内容 echo $lines_string;

4.使用curl实现（本人一般使用这个）。

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:WINDOWSsystem32下；Linux下要安装curl扩展。

<?php header("Content-Type: text/html;charset=utf-8"); date_default_timezone_set('PRC'); $url = "https://***********ycare";//要爬取的网址 $res = curl_get_contents($url);//curl封装方法 preg_match_all('/<script>(.*?)</script>/',$res,$arr_all);//这个网页中数据通过js包过来，所以直接抓js就可以 preg_match_all('/"id":"(.*?)",/',$arr_all[1][1],$arr1);//从js块中匹配要的数据 $list = array_unique($arr1[1]);//（可省）保证不重复 //以下则是同理，循环则可 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);//此脚本未放在服务器上，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数据到服务器 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()函数 socket模式（没用过，以后可以试试）

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

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。

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 公式输入有误_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。

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

推荐相关学习：php图文教程