PHP에서 데이터 수집을 구현하는 세 가지 방법

PHPz

풀어 주다： 2023-03-07 09:24:01

원래의

6723명이 탐색했습니다.

수집이란 무엇인가요?

PHP 프로그램을 사용하여 다른 웹사이트의 정보를 당사 데이터베이스와 웹사이트에 수집하는 것입니다.

PHP 제작 및 수집 기술 :

하단 소켓부터 고급 파일 연산 기능까지, 3 이 방법을 사용하여 수집할 수 있습니다.

1. 소켓 기술을 사용한 수집:

소켓 수집은 가장 낮은 수준으로 긴 연결을 설정한 다음 스스로 수행하십시오. 요청을 보내기 위해 http 프로토콜 문자열을 구성하십시오.

예를 들어 이 페이지의 콘텐츠를 얻으려면 tv.youku.com/?spm=a2hww.20023042.topNav.5~1 ~3!2~ A, 소켓을 사용하여 다음과 같이 작성합니다.

<?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);
?>

로그인 후 복사

반환된 헤더 정보와 페이지의 소스 코드를 포함하여 인쇄된 결과는 다음과 같습니다.

2.curl_a 함수 세트 사용

curl은 HTTP 프로토콜을 여러 항목으로 캡슐화합니다. 기능을 수행하고 해당 매개변수를 직접 전달합니다. 예, HTTP 프로토콜 문자열 작성의 어려움을 줄여줍니다.

전제 조건: php.ini에서 컬 확장이 활성화되어 있어야 합니다.

//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);

로그인 후 복사

페이지의 소스 코드만 포함하여 인쇄된 결과는 다음과 같습니다.

3. 직접 사용 file_get_contents(최상위)

전제조건: php.ini에서 네트워크 열기를 허용하는 URL 주소를 설정하세요.

아아앙

3가지 방법 선택

위의 세 가지 방법은 주로 네트워크 간 통신에 사용됩니다. 그 중 후자의 두 가지가 더 일반적으로 사용됩니다. 대량의 데이터를 일괄적으로 수집하려면 성능과 안정성이 좋은 두 번째 [CURL]을 사용하세요. .

자주가 아닌 가끔씩 몇 가지 요청을 보낼 때 세 번째 방법을 사용하세요.

확장: 사진의 안티 리칭을 깨는 방법은 무엇입니까?

예를 들어 7060 웹사이트의 사진은 핫링크로부터 보호됩니다. 해당 사진은 그의 웹사이트에서 볼 수 있지만 사이트 외부에서는 액세스할 수 없습니다.

원리: HTTP 프로토콜에는 요청의 소스 주소를 나타내는 참조 항목이 있습니다. 이 요청이 이 웹사이트에서 나온 것이 아니면 필터링됩니다.

해결책: 직접 시뮬레이션해 보세요. HTTP 리퍼러를 보낼 때:

확장: 로그인하기 전에 일부 데이터를 수집해야 합니다. 시뮬레이션된 시험 시뮬레이션을 사용할 수 있습니다. 로그인하세요. 수집 상태:

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=&#39;http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html&#39;;
$data=get($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;;
}

로그인 후 복사

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(&#39;./youkuimg/&#39;) ? &#39;&#39;: mkdir(&#39;./youkuimg/&#39;);
	file_put_contents(&#39;./youkuimg/&#39;.mb_convert_encoding($img[3], &#39;gbk&#39;, &#39;utf-8&#39;).&#39;.jpg&#39;, $imgData);

로그인 후 복사