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。
<?php /****获取远程文件源代码常用三种方法***/ /***方法一、 fopen()，stream_context_create()方法****/ $opts = array( 'http'=>array( 'method'=>"GET", 'header'=>"Accept-language: en\r\n" . "Cookie: foo=bar\r\n" ) ); $context = stream_context_create($opts); $fp = fopen('http://www.example.com', 'r', false, $context); fpassthru($fp); fclose($fp);
/******方法二、 socket*******/
function get_content_by_socket($url, $host){ $fp = fsockopen($host, 80) or die("Open ". $url ." failed"); $header = "GET /".$url ." HTTP/1.1\r\n"; $header .= "Accept: */*\r\n"; $header .= "Accept-Language: zh-cn\r\n"; $header .= "Accept-Encoding: gzip, deflate\r\n"; $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"; $header .= "Host: ". $host ."\r\n"; $header .= "Connection: Keep-Alive\r\n"; //$header .= "Cookie: cnzz02=2; rtime=1; ltime=1148456424859; cnzz_eid=56601755-\r\n\r\n"; $header .= "Connection: Close\r\n\r\n"; fwrite($fp, $header); while (!feof($fp)) { $contents .= fgets($fp, 8192); } fclose($fp); return $contents;}/******方法三、file_get_contents ()，stream_context_create() 方法三********/$opts = array( 'http'=>array( 'method'=>"GET", 'header'=>"Content-Type: text/html; charset=utf-8" ) ); $context = stream_context_create($opts); $file = file_get_contents('http://www.sohu.com/', false, $context); /******方法四、 PHP的cURL http://www.chinaz.com/program/2010/0119/104346.shtml*******/$ch = curl_init();// 2. 设置选项，包括URLcurl_setopt($ch, CURLOPT_URL, "http://www.sohu.com");curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);curl_setopt($ch, CURLOPT_HEADER, 0);curl_setopt($ch,CURLOPT_HTTPHEADER,array ("Content-Type: text/xml; charset=utf-8","Expect: 100-continue"));// 3. 执行并获取HTML文档内容$output = curl_exec($ch);var_dump($output);// 4. 释放curl句柄curl_close($ch);/*注意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。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。*/?>
采集范例程序
/*一个图片下载函数*/ function getimg($url,$filename){ /*判断图片的url是否为空，如果为空停止函数*/ if($url==""){ return false; } /*取得图片的扩展名，存入变量$ext中*/ $ext=strrchr($url,"."); /*判断是否是合法的图片文件*/ if($ext!=".gif" && $ext!=".jpg"){ return false; } /*读取图片*/ $img=file_get_contents($url); /*打开指定的文件*/ $fp=@fopen($filename.$ext,"a"); /*写入图片到指点的文件*/ fwrite($fp,$img); /*关闭文件*/ fclose($fp); /*返回图片的新文件名*/ return $filename.$ext; }
采集图片php程序
View Code
除了以上方法还可以用Snoopy，也不错。
Snoopy是什么? （下载 ）
Snoopy是一个php类，用来模仿web浏览器的功能，它能完成获取网页内容和发送表单的任务。
Snoopy的一些特点:
* 方便抓取网页的内容
* 方便抓取网页的文本内容 (去除HTML标签)
* 方便抓取网页的链接
* 支持代理主机
* 支持基本的用户名/密码验证
* 支持设置 user_agent, referer(来路), cookies 和 header content(头文件)
* 支持浏览器转向，并能控制转向深度
* 能把网页中的链接扩展成高质量的url(默认)
* 方便提交数据并且获取返回值
* 支持跟踪HTML框架(v0.92增加)
* 支持再转向的时候传递cookies (v0.92增加)