100行PHP代码采集阿里巴巴商家信息-php手册-php.cn

——authored by 李家优 Alibaba商家信息采集说明一、如何获取商家列表页面链接 http://www.alibaba.com/corporations/jiangmen/CN——————————–.html 例如此页面为alibaba上所有jiamen商家信息列表，也能看到 Page:1/29 字样 http://www.alibaba.

——authored by 李家优

Alibaba商家信息采集说明

一、如何获取商家列表页面链接

http://www.alibaba.com/corporations/jiangmen/CN——————————–.html

例如此页面为alibaba上所有jiamen商家信息列表，也能看到Page:1/29字样

http://www.alibaba.com/corporations/jiangmen/CN——————————–/2.html?tracelog=24581_list_turnpage

可发现末尾变成了2.html……

把？以及后面的参数去掉，并修改3、4、5试试

http://www.alibaba.com/corporations/jiangmen/CN——————————–/2.html

http://www.alibaba.com/corporations/jiangmen/CN——————————–/3.html

http://www.alibaba.com/corporations/jiangmen/CN——————————–/5.html

发现通用的列表页面链接应该是：

http://www.alibaba.com/corporations/jiangmen/CN——————————–/{$page}.html

二、从列表页面获取所有页面内容

由于alibaba防采集，所以我们伪装成IE浏览器的HTTP访问。

$HTTP_SESSION=_rand();

$HTTP_SESSION;

$HTTP_URL=”http://www.alibaba.com/corporations/jiangmen/CN——————————–/”.$page.”.html”;

$ch = curl_init();

curl_setopt ($ch,CURLOPT_URL,$HTTP_URL);

curl_setopt($ch,CURLOPT_RETURNTRANSFER,true);

curl_setopt($ch,CURLOPT_USERAGENT,”Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)”);

$res = curl_exec($ch);

curl_close ($ch);

这样列表页的内容就赋值给了$res

三、如何从列表页面获取具体商家链接

以第一页为例

http://www.alibaba.com/corporations/jiangmen/CN——————————–/1.html

查看源代码，可以发现所有商家名称的链接都是此样式

Jiangmen Ronda Battery Co., Ltd.

即http://{CompanyName}.en.alibaba.com

用正则从$res的内容中找出所有的{CompanyName}:

preg_match_all(‘/href\s*=\s*["|\']?([^\s"\'>]*).en.alibaba.com\”/i’,$res,$arr);

这样$arr中就是列表第一页中所有的商家的链接了。

四、如何采集商家信息

首先循环得到单个商家的链接

foreach($arr[1] as $a=>$web)

用$web拼上.en.alibaba.com就是商家链接了

例如http://rondabattery.en.alibaba.com/

浏览发现所有公司的联系信息都是http://rondabattery.en.alibaba.com/contactinfo.html

再伪装IE采集一次单个商家的联系信息页面

$HTTP_SESSION=_rand();

$HTTP_SESSION;

$HTTP_Server=$web;

$HTTP_URL=”.en.alibaba.com/contactinfo.html“;

$ch1 = curl_init();

curl_setopt ($ch1,CURLOPT_URL,$HTTP_Server.$HTTP_URL);

curl_setopt($ch1,CURLOPT_RETURNTRANSFER,true);

curl_setopt($ch1,CURLOPT_USERAGENT,”Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)”);

$res1 = curl_exec($ch1);

curl_close ($ch1);

这样$res1中就是这个rondabattery公司联系信息页面的内容了。

五、如何采集联系人、电话等详细信息

http://rondabattery.en.alibaba.com/contactinfo.html

查看源代码可以发现

Company Name:

Jiangmen Ronda Battery Co., Ltd.

公司名等信息都是这样的格式

在用正则匹配就行了：

preg_match(“/Company Name:(.*?)/s”,$res1,$Cname);

这样$Cname中就是绿色的内容

Company Name:

Jiangmen Ronda Battery Co., Ltd.

显然

不是我们需要的内容

$Cname = trim(strip_tags($Cname[1]));

trim：去除字符串首尾的空格，

tip：

有时会碰到内容中有双引号（”），常见于公司介绍等内容，需要替换掉，否则存数据库时会出现sql语句错误。

$name = str_replace(“\““,”",$name);

六、将获取的信息存入数据库

mysql_pconnect(“localhost”, “root“, “password“) or

die (“Could not connect” . mysql_error());

mysql_select_db(“company“);

mysql_query(“SET NAMES ‘UTF8′”);

$result = mysql_query(“

INSERT INTO alibaba (

Name,Company,Address,City,Province,Region,Zip,Tel,Phone,Fax,Web

) VALUES(

‘”.htmlspecialchars($name).”‘,

‘”.htmlspecialchars($Cname).”‘,

‘”.htmlspecialchars($Add).”‘,

‘”.htmlspecialchars($City).”‘,

‘”.htmlspecialchars($Pronvice).”‘,

‘”.htmlspecialchars($Region).”‘,

‘”.htmlspecialchars($Zip).”‘,

‘”.htmlspecialchars($Tel).”‘,

‘”.htmlspecialchars($Phone).”‘,

‘”.htmlspecialchars($Fax).”‘,

‘”.htmlspecialchars($Web).”‘

)”);

Htmlspecialchars是将内容中的html字符做转义处理，但默认不处理双引号，所以前面有提到需要单独将双引号替换。

帐户、密码、数据库名、表名以及其中各个字段定义请根据实际情况做修改。

七、如何处理每个列表页面

前面的循环只将列表页面第一页的20个商家做了采集，但是有29个列表页面需要处理。

这样做一个带参数的页面跳转。

if($page >= 29){

echo “OVER!”;exit();

}else{

echo “++$page.”‘>”;

}

然后在此php文件的开头获取需要处理的列表页号

if($_GET['page']){

$page = $_GET['page'];

}else{

$page = ’1′;

}

这样php运行时会先获取需要处理的列表页号,

如果没有传page参数则从第一页开始执行，

拼出链接，即文章最开头提到的

$HTTP_URL=”http://www.alibaba.com/corporations/jiangmen/CN——————————–/”.$page.”.html”;

在程序最后会判断当前处理了多少页，如果达到最大页面数就显示OVER并结束程序。

否则++$page，将页号加1并做跳转继续执行此程序。

八、 php代码

-//W3C//DTD XHTML 1.0 Transitional//EN” “http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd”>

alibaba采集

set_time_limit(0);

function _rand() {

$length=26;

$chars = “0123456789abcdefghijklmnopqrstuvwxyz”;

$max = strlen($chars) – 1;

mt_srand((double)microtime() * 1000000);

$string = ”;

for($i = 0; $i

$string .= $chars[mt_rand(0, $max)];

}

return $string;

}

error_reporting(0);

ini_set(‘html_errors’,false);

ini_set(‘display_errors’,false);

mysql_pconnect(“localhost”, “root”, “password”) or

die (“Could not connect” . mysql_error());

mysql_select_db(“company”);

mysql_query(“SET NAMES ‘UTF8′”);

if($_GET['page']){

$page = $_GET['page'];

}else{

$page = ’1′;

}

$HTTP_SESSION=_rand();

$HTTP_SESSION;

$HTTP_URL=”http://www.alibaba.com/corporations/jiangmen/CN——————————–/”.$page.”.html”;

$ch = curl_init();

curl_setopt ($ch,CURLOPT_URL,$HTTP_URL);

curl_setopt($ch,CURLOPT_RETURNTRANSFER,true);

curl_setopt($ch,CURLOPT_USERAGENT,”Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)”);

$res = curl_exec($ch);

curl_close ($ch);

preg_match_all(‘/href\s*=\s*["|\']?([^\s"\'>]*).en.alibaba.com\”/i’,$res,$arr);

foreach($arr[1] as $a=>$web){

$HTTP_SESSION=_rand();

$HTTP_SESSION;

$HTTP_Server=$web;

$HTTP_URL=”.en.alibaba.com/contactinfo.html”;

$ch1 = curl_init();

curl_setopt ($ch1,CURLOPT_URL,$HTTP_Server.$HTTP_URL);

curl_setopt($ch1,CURLOPT_RETURNTRANSFER,true);

curl_setopt($ch1,CURLOPT_USERAGENT,”Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)”);

$res1 = curl_exec($ch1);

curl_close ($ch1);

preg_match(“/contactName(.*?)/s”,$res1,$name);

$name = strip_tags($name[1]);

//$name = str_replace(“\”",”",$name);

//$name = str_replace(“>”,”",$name);

$name = trim($name);

preg_match(“/Company Name:(.*?)/s”,$res1,$Cname);

$Cname = trim(strip_tags($Cname[1]));

preg_match(“/Street Address:(.*?)/s”,$res1,$Add);

$Add = trim(strip_tags($Add[1]));

preg_match(“/City:(.*?)/s”,$res1,$City);

$City = trim(strip_tags($City[1]));

preg_match(“/Province\/State:(.*?)/s”,$res1,$Pronvice);

$Pronvice = trim(strip_tags($Pronvice[1]));

preg_match(“/Country\/Region:(.*?)/s”,$res1,$Region);

$Region = trim(strip_tags($Region[1]));

preg_match(“/Zip:(.*?)/s”,$res1,$Zip);

$Zip = trim(strip_tags($Zip[1]));

preg_match(“/Telephone:(.*?)/s”,$res1,$Tel);

$Tel = trim(strip_tags($Tel[1]));

preg_match(“/Mobile Phone:(.*?)/s”,$res1,$Phone);

$Phone = trim(strip_tags($Phone[1]));

preg_match(“/Fax:(.*?)/s”,$res1,$Fax);

$Fax = trim(strip_tags($Fax[1]));

preg_match(“/Website:(.*?)/s”,$res1,$Web);

$Web = trim(strip_tags($Web[1]));

$result = mysql_query(“

INSERT INTO alibaba (

Name,

Company,

Address,

City,

Province,

Region,

Zip,

Tel,

Phone,

Fax,

Web

) VALUES(

‘”.htmlspecialchars($name).”‘,

‘”.htmlspecialchars($Cname).”‘,

‘”.htmlspecialchars($Add).”‘,

‘”.htmlspecialchars($City).”‘,

‘”.htmlspecialchars($Pronvice).”‘,

‘”.htmlspecialchars($Region).”‘,

‘”.htmlspecialchars($Zip).”‘,

‘”.htmlspecialchars($Tel).”‘,

‘”.htmlspecialchars($Phone).”‘,

‘”.htmlspecialchars($Fax).”‘,

‘”.htmlspecialchars($Web).”‘

)”);

}

if($page >= 29){

echo “OVER!”;exit();

}else{

echo “”;

}

100行PHP代码采集阿里巴巴商家信息