程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
 程式師世界 >> 編程語言 >> 網頁編程 >> PHP編程 >> PHP綜合 >> 利用PHP制作簡單的內容采集器的原理分析

利用PHP制作簡單的內容采集器的原理分析

編輯:PHP綜合
前幾天做了個小說連載的程序,因為怕更新麻煩,順帶就寫了個采集器,采集八路中文網的,功能比較簡單,不能自定義規則,不過大概思路都在裡面了,自定義規則可以自己來擴展。

  用php來做采集器主要用到兩個函數:file_get_contents()和preg_match_all(),前一個是遠程讀取網頁內容的,不過只在php5以上的版本才能用,後一個是正則函數,用來提取需要的內容的。

  下面就一步一步來講功能實現。

  因為是采集小說,所以首先要將書名、作者、類型這三個提取出來,別的信息可根據需要提取。

  這裡以《回到明朝當王爺》為目標,先打開書目頁,鏈接:http://www.86zw.com/Book/3727/Index.aspx

  多打開幾本書會發現,書名的基本格式是:http://www.86zw.com/Book/書號/Index.aspx,於是我們可以做一個開始頁,定義一個<input type=text name=number>,用來輸入需要采集的書號,以後就可以通過$_POST[‘number']這種格式來接收需要采集的書號了。接收到書號,下面要做的就是構造書目頁:$url=http://www.86zw.com/Book/$_POST[‘number']/Index.aspx,當然這裡是舉個例子,主要是為了講解方便,實際制作的時候最好檢查一下$_POST[‘number']的合法性。

  構造好URL以後就可以開始采集書籍信息了。使用file_get_contents() 函數打開書目頁:$content=file_get_contents($url),這樣就能將書目頁的內容都讀取出來了。接下來就是將書名、作者和類型等信息匹配出來了。這裡就以書名為例,其他的都一樣。 打開書目頁,查看源文件,找到“<span class="booktitle">《回到明朝當王爺》</span>”,這就是要提取出來的書名了。提取書名的正則表達式:/<span class=\"newstitle\">(.*?)\<\/span>/is,使用preg_match_all()函數將書名取出:preg_match_all("/<span class=\"newstitle\">(.*?)\<\/span>/is",$contents,$title);這樣$title[0][0]的內容就是我們要的標題了(preg_match_all函數的用法可以去百度查,這裡就不詳細說明了)。取出了書籍信息,接下來就是取章節內容了,要取章節內容,首先要做的就是找到每一章的地址,然後遠程打開章節,用正則將內容取出來,入庫或者直接生成html靜態文件。這個是章節列表的地址:http://www.86zw.com/Html/Book/18/3727/List.shtm,可以看出這個和書目頁一樣,是有規律可尋的:http://www.86zw.com/Html/Book/分類號/書號/List.shtm。書號前面已經取得,這裡的關鍵是找到分類號,分類號可以在前面的書目頁找到,提取分類號:

  preg_match_all("/Html\/Book\/[0-9]{1,}\/[0-9]{1,}\/List\.shtm/is",$contents,$typeid);這樣還不夠,還需要一個切取函數:
PHP代碼如下:

function cut($string,$start,$end){
$message = explode($start,$string);
$message = explode($end,$message[1]); return $message[0];}其中$string為要被切取的內容,$start為開始的地方,$end為結束的地方。取出分類號:

$start = "Html/Book/";
$end
= "List.shtm";
$typeid = cut($typeid[0][0],$start,$end);
$typeid = explode("/",$typeid);[/php]

  這樣,$typeid[0]就是我們要找的分類號了。接下來就是構造章節列表的地址了:$chapterurl = http://www.86zw.com/Html/Book/.$typeid[0]/$_POST[‘number']/List.shtm。有了這個就能找到每一章節的地址了。方法如下:

$ustart = "\"";
$uend
= "\"";
//t表示title的縮寫
$tstart = ">";
$tend
= "<";
//取路徑,例如:123.shtm,2342.shtm,233.shtm
preg_match_all("/\"[0-9]{1,}\.(shtm)\"/is",$chapterurl,$url);
//取標題,例如:第一章 九世善人
preg_match_all("/<a href=\"[0-9]{1,}\.shtm\"(.*?)\<\/a>/is",$file,$title);
$count = count($url[0]);
for($i=0;$i<=$count;$i++)
{
$u = cut($url[0][$i],$ustart,$uend);
$t = cut($title[0][$i],$tstart,$tend);
$array[$u] = $t;
}

  $array數組就是所有的章節地址了,到這裡,采集器就完成一半了,剩下的就是循環打開每個章節地址,讀取,然後將內容匹配出來。這個比較簡單,這裡就不詳細敘述了。好了,今天就先寫到這吧,第一次寫這麼長的文章,語言組織方面難免有問題,還請大家多包涵!
  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved