今天被安排做一个抓取。

一、 什么是php采集程序？

二、 为什么要采集？

三、 采集些什么？

四、 如何采集？

五、 采集思路

六、 采集范例程序

七、 采集心得

什么是php采集程序？

php采集程序，也叫php小偷，主要是用于自动搜集网络上web页里特定内容，用php语言写的web程序，运行于支持php的平台上。谈到"自动搜集"，你可能联想到百度goole，联想到搜索引擎所做的事情。php采集程序，正是做类似的工作。

为什么要采集？

互联网正以飞快的速度在发展，web数据每天以几何级数据量递增，面对这庞大的数据，作为一个网站管理员的你，该如何搜集自己所需要的信息呢？特别对某个 或某几个同类网站，你需要它们的大量信息，来充实你的网站内容，难道就只能复制粘贴的过日子吗？一个网站管理员，你真的就得花大量时间去搞原创内容，而与整个互联网信息量的发展速度脱节吗？这些问题的解决方法只有一个：采集。如果有那么一个程序，你帮你的网站自动或半自动的采集你所需要的特定内容，即时更 新你网站的信息，是否是你梦寐以求的呢？这就是采集程序出现的原因所在。

采集些什么？

这要看你做的什么类型的网站了。如果你做图片站，就采集图片；做音乐站，就采集mp3，做新闻站，就采集新闻等等。一切根据你网站的内容架构需要而定。确定你要采集的东西，才好写出相应的采集程序。

如何采集？

通常采集程序，都是有的放矢的。也就是需要有目标网站，搜集一些你需要的采集内容的网站，分别对其html代码进行分析，找出规律性的东西，依据你要采集 的特定内容，写出php代码。采集到你要的东西以后，你可以选择自己需要的存放方式。比如直接生成html页面，或是放进数据库，作进一步处理或是存放成 特定的形式，以备后用。

采集思路

采集程序的思路很简单大体可以分为以下几个步骤：

1. 获取远程文件源代码（file_get_contents或用fopen）.

2.分析代码得到自己想要的内容（这里用正则匹配，一般是得到分页）。

3.跟根得到的内容进行下载入库等操作。

在这里第二步有可能要重复的操作好几次，比如说要先分析一下分页地址，在分析一下内页的内容才能取得我们想要的东西。

[html]

1. <?php

2. /****获取远程文件源代码常用三种方法***/

3. /***方法一、 fopen()，stream_context_create()方法****/

4. $opts = array(

5. 'http'=>array(

6. 'method'=>"GET",

7. 'header'=>"Accept-language: en\r\n" .

8. "Cookie: foo=bar\r\n"

9. )

10. );

11. $context = stream_context_create($opts);

12. $fp = fopen('', 'r', false, $context);

13. fpassthru($fp);

14. fclose($fp); /******方法二、 socket*******/

15. function get_content_by_socket($url, $host){

16. $fp = fsockopen($host, 80) or die("Open ". $url ." failed");

17. $header = "GET /".$url ." HTTP/1.1\r\n";

18. $header .= "Accept: */*\r\n";

19. $header .= "Accept-Language: zh-cn\r\n";

20. $header .= "Accept-Encoding: gzip, deflate\r\n";

21. $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";

22. $header .= "Host: ". $host ."\r\n";

23. $header .= "Connection: Keep-Alive\r\n";

24. //$header .= "Cookie: cnzz02=2; rtime=1; ltime=1148456424859; cnzz_eid=56601755-\r\n\r\n";

25. $header .= "Connection: Close\r\n\r\n";

26. fwrite($fp, $header);

27. while (!feof($fp)) {

28. $contents .= fgets($fp, 8192);

29. }

30. fclose($fp);

31. return $contents;

32. }

33.

34. /******方法三、file_get_contents ()，stream_context_create() 方法三********/

35. $opts = array(

36. 'http'=>array(

37. 'method'=>"GET",

38. 'header'=>"Content-Type: text/html; charset=utf-8"

39. )

40. );

41. $context = stream_context_create($opts);

42. $file = file_get_contents('', false, $context);

43.

44. /******方法四、 PHP的cURL *******/

45. $ch = curl_init();

46. // 2. 设置选项，包括URL

47. curl_setopt($ch, CURLOPT_URL, "");

48. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

49. curl_setopt($ch, CURLOPT_HEADER, 0);

50. curl_setopt($ch,CURLOPT_HTTPHEADER,array ("Content-Type: text/xml; charset=utf-8","Expect: 100-continue"));

51. // 3. 执行并获取HTML文档内容

52. $output = curl_exec($ch);

53. var_dump($output);

54. // 4. 释放curl句柄

55. curl_close($ch);

56.

57. /*注意

58. 1.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。

59. 2. 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。

60. */

61. ?>

采集范例程序

[html]

1. /*一个图片下载函数*/

2. function getimg($url,$filename){

3. /*判断图片的url是否为空，如果为空停止函数*/

4. if($url==""){

5. return false;

6. }

7. /*取得图片的扩展名，存入变量$ext中*/

8. $ext=strrchr($url,".");

9. /*判断是否是合法的图片文件*/

10. if($ext!=".gif" && $ext!=".jpg"){

11. return false;

12. }

13. /*读取图片*/

14. $img=file_get_contents($url);

15. /*打开指定的文件*/

16. $fp=@fopen($filename.$ext,"a");

17. /*写入图片到指点的文件*/

18. fwrite($fp,$img);

19. /*关闭文件*/

20. fclose($fp);

21. /*返回图片的新文件名*/

22. return $filename.$ext;

23. }

采集图片php程序

[html]

1. 复制代码

2. <?php

3. /**

4. * 采集图片php程序

5. *

6. * Copyright(c) 2008 by 小超(ccxxcc) All rights reserved

7. *

8. * To contact the author write to {@link mailto:ucitmc@163.com}

9. *

10. * @author ccxxcc

11. * @version $Id: {filename},v 1.0 {time} $

12. * @package system

13. */

14.

15. set_time_limit(0);

16. /**

17. * 写文件

18. * @param string $file 文件路径

19. * @param string $str 写入内容

20. * @param char $mode 写入模式

21. */

22. function wfile($file,$str,$mode='w')

23. {

24. $oldmask = @umask(0);

25. $fp = @fopen($file,$mode);

26. @flock($fp, 3);

27. if(!$fp)

28. {

29. Return false;

30. }

31. else

32. {

33. @fwrite($fp,$str);

34. @fclose($fp);

35. @umask($oldmask);

36. Return true;

37. }

38. }

39.

40. function savetofile($path_get,$path_save)

41. {

42. @$hdl_read = fopen($path_get,'rb');

43. if($hdl_read == false)

44. {

45. echo("<span style='color:red'>$path_get can not get</span>");

46. Return ;

47. }

48. if($hdl_read)

49. {

50. @$hdl_write = fopen($path_save,'wb');

51. if($hdl_write)

52. {

53. while(!feof($hdl_read))

54. {

55. fwrite($hdl_write,fread($hdl_read,8192));

56. }

57. fclose($hdl_write);

58. fclose($hdl_read);

59. return 1;

60. }

61. else

62. return 0;

63. }

64. else

65. return -1;

66. }

67.

68. function getExt($path)

69. {

70. $path = pathinfo($path);

71. return strtolower($path['extension']);

72. }

73.

74. /**

75. * 按指定路径生成目录

76. *

77. * @param string $path 路径

78. */

79. function mkDirs($path)

80. {

81. $adir = explode('/',$path);

82. $dirlist = '';

83. $rootdir = array_shift($adir);

84. if(($rootdir!='.'||$rootdir!='..')&&!file_exists($rootdir))

85. {

86. @mkdir($rootdir);

87. }

88. foreach($adir as $key=>$val)

89. {

90. if($val!='.'&&$val!='..')

91. {

92. $dirlist .= "/".$val;

93. $dirpath = $rootdir.$dirlist;

94. if(!file_exists($dirpath))

95. {

96. @mkdir($dirpath);

97. @chmod($dirpath,0777);

98. }

99. }

100. }

101. }

102.

103. /**

104. * 从文本中取得一维数组

105. *

106. * @param string $file_path 文本路径

107. */

108. function getFileListData($file_path)

109. {

110. $arr = @file($file_path);

111. $data = array();

112. if(is_array($arr) && !empty($arr))

113. {

114. foreach($arr as $val)

115. {

116. $item = trim($val);

117. if(!empty($item))

118. {

119. $data[] = $item;

120. }

121. }

122. }

123. Return $data;

124. }

125.

126. //采集开始

127.

128. //传入自己的需要采集的图片url列表文本文件 每个图片url写一行

129. $url_file = isset($_GET['file'])&&!empty($_GET['file'])?$_GET['file']:null;

130. $txt_url = "txt/".$url_file;

131.

132. $urls = array_unique(getFileListData($txt_url));

133. if(empty($urls))

134. {

135. echo('<div style="color:red">无链接地址</div>');

136. die();

137. }

138. $save_url = "images/".date("y_m_d",time())."/";

139. mkDirs($save_url); //按日期建立文件夹

140. $i = 1;

141. if(is_array($urls)&&count($urls))

142. {

143. foreach($urls as $val)

144. {

145. savetofile($val,$save_url.date("His",time())."_".$i.".".getExt($val));

146. echo($i.".".getExt($val)." got\n");

147. $i++;

148. }

149. }

150.

151. echo('<div style="color:green">finish</div>');

152.

153. ?>

采集心得

共享一下个人的采集心德：

1.不采那些作防盗链了的站，其实可以作假来路但是这样的站采集成本太高

2.采集尽量快的站，最好在本地进行采集

3.采集时有很多时候可以先把一部分数据存入数据库，等以后进行下一步的处理。

4.采集的时候一定要作好出错处理，我一般都是如果采集三次没有成功就跳过。以前经常就因为一条内容不能采就卡在那里一直的采。

5.入库前一定要作好判断，检查内容的合法，过滤不必要的字符串。

后记：对于大部分转行的人来说，找机会把自己的基础知识补齐，边工作边补基础知识，真心很重要。

"我们相信人人都可以成为一个IT大神，现在开始，选择一条阳光大道，助你入门，学习的路上不再迷茫。这里是北京尚学堂，初学者转行到IT行业的聚集地。"