コレクションとは何ですか? PHP プログラムを使用して、他の Web サイトから情報を独自のデータベースと Web サイトに取り込むことです。この記事では主に PHP でのデータ収集の 3 つの方法を紹介し、皆様のお役に立てれば幸いです。
PHP の生成および収集テクノロジ:
基盤となるソケットから高レベルのファイル操作関数まで、収集を実現するには合計 3 つの方法があります。
1. ソケット テクノロジーを使用したコレクション:
ソケット コレクションは、長い接続を確立するだけであり、その後、リクエストを送信するために http プロトコル文字列を構築する必要があります。
たとえば、このページ http://tv.youku.com/?spm=a2hww.20023042.topNav.5~1~3!2~A のコンテンツを取得したい場合は、ソケットを使用して次のように記述します:
<?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
$data='';
while (!feof($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);
?>ログイン後にコピー
Print 返されたヘッダー情報とページのソース コードを含む結果は次のとおりです:
2.curl_a セットの関数
curl を使用して HTTP をカプセル化します。プロトコルを多くの関数に組み込み、直接渡す。対応するパラメータだけで十分なので、HTTP プロトコル文字列を記述する難しさが軽減されます。
前提条件:curl 拡張機能が php.ini で有効になっている必要があります。
//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);
ログイン後にコピー
出力結果は次のとおりで、ページのソース コードのみが含まれています:
3. file_get_contents (最上位) を直接使用します
前提条件: 開く権限を設定します。 php.ini内 ネットワークの URL アドレス。
//使用file_get_contents()
$data=file_get_contents("http://www.youku.com");
var_dump($data);ログイン後にコピー
3つの方法から選択
上記の3つは主にネットワーク間の通信に使用されます。このうち、後者の 2 つはより一般的に使用されます: 大量のデータをバッチで収集したい場合は、パフォーマンスと安定性に優れた 2 番目の [CURL] を使用します。
頻繁ではないが時々いくつかのリクエストを送信する場合は、3 番目のオプションを使用します。
拡張: 写真の盗難防止リンクを解除するにはどうすればよいですか?
たとえば、7060 の Web サイト上の写真はホットリンクから保護されています。写真は彼の Web サイト上で見ることができますが、サイト外からはアクセスできません。
原則: HTTP プロトコルにはリクエストの送信元アドレスを表すリファラー項目があり、サーバーはリクエストがこの Web サイトからのものではないと判断し、リクエストを除外します。 :
解決策: HTTP を送信するときにリファラーを自分でシミュレートするだけです:
拡張機能: 最初にログインする必要があるときに一部のデータを収集する必要があります。シミュレートされたトライアルを使用できます。ログイン状態でコレクションをシミュレートするには:
a. まずブラウザを使用してログインします。ログイン後、ブラウザの COOKIE に SESSIONID が表示されます。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,
http://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 = '/<li class="yk-col4 mr1">.+<\/li>/Us';
// 匹配img标签上的src和alt
$img_preg = '/<img class="quic" _src="(.*)" src="(.*)" alt="(.*)" \/>/U';
//匹配电影的url
$video_preg='/<a href="(.*)" title="(.*)" target="(.*)"><\/a>/U';
//把所有的li存到$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 $img[0].'<a href="'.$video[1].'">'.$video[2].'</a>';
}ログイン後にコピー
测试：
打印$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);ログイン後にコピー
效果如下：在当前目录下的youkuimg目录下就会有下载好的图片。
my github: https://github.com/lensh
以上がPHP でデータ収集を実装する 3 つの方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
