Drei Möglichkeiten zur Implementierung der Datenerfassung in PHP

Was ist eine Sammlung?

Es geht darum, mithilfe eines PHP-Programms Informationen von anderen Websites in unsere eigene Datenbank und Website zu erfassen.

PHP-Produktions- und Sammlungstechnologie:

Vom unteren Sockel bis zur Dateioperationsfunktion auf hoher Ebene Es gibt insgesamt 3. Diese Methode kann zum Sammeln verwendet werden.

1. Sammlung mit Socket-Technologie:

Socket-Sammlung ist die unterste Ebene, sie stellt nur eine lange Verbindung her, und dann müssen wir es tun Machen Sie es selbst. Erstellen Sie die HTTP-Protokollzeichenfolge zum Senden der Anforderung.

Wenn Sie beispielsweise den Inhalt dieser Seite erhalten möchten, tv.youku.com/?spm=a2hww.20023042.topNav.5~1 ~3!2~ A. Verwenden Sie Socket, um wie folgt zu schreiben:

<?php
//连接,$error错误编号,$errstr错误的字符串,30s是连接超时时间
$fp=fsockopen("www.youku.com",80,$errno,$errstr,30);
if(!$fp) die("连接失败".$errstr);
 
//构造http协议字符串，因为socket编程是最底层的，它还没有使用http协议
$http="GET /?spm=a2hww.20023042.topNav.5~1~3!2~A HTTP/1.1\r\n";   //  \r\n表示前面的是一个命令
$http.="Host:www.youku.com\r\n";  //请求的主机
$http.="Connection:close\r\n\r\n";   // 连接关闭，最后一行要两个\r\n
 
//发送这个字符串到服务器
fwrite($fp,$http,strlen($http));
//接收服务器返回的数据
$data=&#39;&#39;;
while (!feof($fp)) {
$data.=fread($fp,4096);  //fread读取返回的数据，一次读取4096字节
}
//关闭连接
fclose($fp);
var_dump($data);
?>

Das gedruckte Ergebnis sieht wie folgt aus, einschließlich der zurückgegebenen Header-Informationen und des Quellcodes der Seite:

2. Verwenden Sie curl_a eine Reihe von Funktionen

curl kapselt das HTTP-Protokoll in viele Funktionen und übergibt die entsprechenden Parameter direkt, was die Schwierigkeit beim Schreiben von HTTP-Protokollzeichenfolgen verringert.

Voraussetzung: Die Curl-Erweiterung muss in php.ini aktiviert sein.

//生成一个curl对象
$curl=curl_init();
//设置URL和相应的选项
curl_setopt($curl, CURLOPT_URL, "http://www.youku.com");
curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);  //将curl_exec()获取的信息以字符串返回，而不是直接输出。
//执行curl操作
$data=curl_exec($curl);
var_dump($data);

Das gedruckte Ergebnis ist wie folgt, einschließlich nur des Quellcodes der Seite:

3. File_get_contents (oberste Ebene) direkt verwenden

Voraussetzung: Legen Sie die URL-Adresse fest, die das Öffnen eines Netzwerks in php.ini ermöglicht.

//使用file_get_contents()
$data=file_get_contents("http://www.youku.com");
var_dump($data);

Auswahl von 3 Methoden

Die oben genannten drei Methoden werden hauptsächlich für die Kommunikation zwischen Netzwerken verwendet. Unter diesen werden die beiden letzteren häufiger verwendet: Wenn Sie große Datenmengen stapelweise erfassen möchten, verwenden Sie die zweite [CURL], die eine gute Leistung und Stabilität bietet .

Verwenden Sie die dritte Methode, wenn Sie gelegentlich, aber nicht häufig, ein paar Anfragen senden.

Erweiterung: Wie kann man das Anti-Leeching von Bildern durchbrechen?

Zum Beispiel sind die Bilder auf der 7060-Website vor Hotlinking geschützt: Die Bilder sind auf seiner Website zu sehen, aber außerhalb der Website nicht zugänglich.

Prinzip: Im HTTP-Protokoll gibt es ein Referrerelement, das die Quelladresse der Anfrage darstellt stellt fest, ob diese Anfrage nicht von dieser Website stammt, wird sie herausgefiltert:

Lösung: Simulieren Sie es selbst beim Senden des HTTP-Referers:

Erweiterung: Vor dem Einloggen müssen einige Daten erfasst werden. Sie können die simulierte Testsimulation nutzen um sich anzumelden. Sammlung unter Status:

a. 先用浏览登录一下，登录完，浏览器的COOKIE中就会有SESSIONID

b. 发PHP发HTTP协议时，把浏览器中的SESSIONID放到PHP的HTTP协议请求里，这样就在以登录的状态发请求。

总结：所有客户端发过来的数据都可以被模拟，所以服务器上的程序必须要必要的地方过滤客户端的数据。

什么时候用以上东西？接口开发时、采集时。

二、数据采集

例如我要采集这个url里的所有美国电影的信息,

list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html

则先要知道电影所在的节点的结构，我们使用firebug查看。

然后开始写代码：完整代码如下

/**
 * 发一个GET请求获取数据
 */
function get($url)
{
   global $curl;
   // 配置curl中的http协议->可配置的荐可以查PHP手册中的curl_
   curl_setopt($curl, CURLOPT_URL, $url);
   curl_setopt($curl, CURLOPT_RETURNTRANSFER, TRUE);
   curl_setopt($curl, CURLOPT_HEADER, FALSE);
   // 执行这个请求
   return curl_exec($curl);
}
 
// 生成一个curl对象
$curl = curl_init();
$url='http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html';
$data=get($url);
// 匹配电影所在位置
$list_preg = &#39;/<li class="yk-col4 mr1">.+<\/li>/Us&#39;;
// 匹配img标签上的src和alt
$img_preg = &#39;/<img class="quic" _src="(.*)" src="(.*)" alt="(.*)" \/>/U&#39;;
//匹配电影的url
$video_preg=&#39;/<a href="(.*)" title="(.*)" target="(.*)"><\/a>/U&#39;;
//把所有的li存到$list里，$list是个二维数组
preg_match_all($list_preg,$data,$list);
   //var_dump($list);
foreach ($list[0] as $k => $v) {   //这里$v就是每一个li标签
/* 获取图片及电影名称
    preg_match($img_preg,$v,$img);  //把匹配到的图片的信息存到$img里
    var_dump($img);
    */
    /*获取电影地址
    preg_match($video_preg,$v,$video);  //把匹配到的电影的信息存到$video里
    var_dump($video);
*/
    preg_match($img_preg,$v,$img);
    preg_match($video_preg,$v,$video);
    echo $img[0].&#39;<a href="&#39;.$video[1].&#39;">&#39;.$video[2].&#39;</a>&#39;;
}

测试：

打印$list;

打印$img

打印$video

最终效果：

如果需要把图片拷贝到硬盘上，则在foreach循环里加上以下代码：

 $imgData = get($img[1]);
    // 把图片文件写到硬盘上【下载】
    // 因为操作系统是GBK的，所以要把UTF8转成GBK
    is_dir('./youkuimg/') ? '': mkdir('./youkuimg/');
	file_put_contents('./youkuimg/'.mb_convert_encoding($img[3], 'gbk', 'utf-8').'.jpg', $imgData);

效果如下：在当前目录下的youkuimg目录下就会有下载好的图片。

 

Das obige ist der detaillierte Inhalt vonDrei Möglichkeiten zur Implementierung der Datenerfassung in PHP. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!