php抓取页面与代码解析

　　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html或xml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

　　$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_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://t.qq.com';

　　$lines_string=file_get_contents($url);

　　echo htmlspecialchars($lines_string);

　　?>

　　3. fopen()->fread()->fclose()模式

　　$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.dll和libeay32.dll到C:\WINDOWS\system32下;Linux下要安装curl扩展。

　　$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。

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

　　if (!$fp) {

　　echo "ERROR: $errno - $errstr
\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：

　　$url='http://t.qq.com';

　　$lines_string=file_get_contents($url);

　　eregi('',$lines_string,$title);

　　echo htmlspecialchars($title[0]);

　　?>

　　2. PHP DOMDocument()对象

　　如果远程的html或xml存在语法错误，php在解析dom的时候会报错。

　　$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。

　　$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小”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。

原文转自：http://blogread.cn/it/article/4651