在做一些天气预报或者RSS订阅的程序时,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。

下面先简单说一下本文的主要内容:

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htmlxml代码主要方式:

1. 正则表达式 2. PHP DOMDocument对象 3. 插件(如:PHP Simple HTML DOM Parser)

如果你对以上内容已经很了解,以下内容可以飘过……

PHP抓取页面

1. file()函数

<?php

$url='http://t.qq.com';

$lines_array=file($url);

$lines_string=implode('',$lines_array);

echo htmlspecialchars($lines_string);

?>

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

<?php

$url='http://t.qq.com';

$lines_string=file_get_contents($url);

echo htmlspecialchars($lines_string);

?>

3. fopen()->fread()->fclose()模式

<?php

$url='http://t.qq.com';

$handle=fopen($url,"rb");

$lines_string="";

do{

$data=fread($handle,1024);

if(strlen($data)==0){break;}

$lines_string.=$data;

}while(true);

fclose($handle);

echo htmlspecialchars($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.dlllibeay32.dllC:\WINDOWS\system32下;Linux下要安装curl扩展。

<?php

$url='http://t.qq.com';

$ch=curl_init();

$timeout=5;

curl_setopt($ch, CURLOPT_URL, $url);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

$lines_string=curl_exec($ch);

curl_close($ch);

echo htmlspecialchars($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,比如我的本地php socket没开启http,只能使用udp测试一下了。

<?php

$fp = fsockopen("udp://127.0.0.1", 13, $errno, $errstr);

if (!$fp) {

echo "ERROR: $errno - $errstr<br />\n";

} else {

fwrite($fp, "\n");

echo fread($fp, 26);

fclose($fp);

}

?>

6. 插件
网上应该有比较多的插件,snoopy插件是在网上搜到的,有兴趣的可以研究一下。

PHP解析xml(html)

1. 正则表达式:

<?php

$url='http://t.qq.com';

$lines_string=file_get_contents($url);

eregi('<title>(.*)</title>',$lines_string,$title);

echo htmlspecialchars($title[0]);

?>

2. PHP DOMDocument()对象
如果远程的htmlxml存在语法错误,php在解析dom的时候会报错。

<?php

$url='http://www.136web.cn';

$html=new DOMDocument();

$html->loadHTMLFile($url);

$title=$html->getElementsByTagName('title');

echo $title->item(0)->nodeValue;

?>

3. 插件
本文以PHP Simple HTML DOM Parser为例,进行简单介绍,simple_html_dom的语法类似jQuery,它让php操作dom,就像使用jQuery操作dom一样的简单。

<?php

$url='http://t.qq.com';

include_once('../simplehtmldom/simple_html_dom.php');

$html=file_get_html($url);

$title=$html->find('title');

echo $title[0]->plaintext;

?>

当然中国人是富有创造性的,老外往往会在技术上领先,但中国人往往会在使用上更胜一筹,往往做出一些让老外不敢想的功能,比如php的远程抓取与分 析,本来是为数据的整合提供方便。但国人很喜欢这个,于是乎大量的采集站,它们本身不创造任何有价值的内容,就是靠抓取别人的网站内容,并把它据为己有。 在百度里输入“php关键词,suggest列表第一个就是“php小偷程序,然后把同样的关键词放入google,哥只能笑而不语。