php curl 自定义get方法抓取网页
假设我们使用get方法请求一个网页,得到网页内容后可以匹配出对应的内容。
我们可以使用curl封装一个函数,假设函数名就为get。传入url就能请求指定的网页,将指定网页的HTML代码返回回来。代码如下:
function get($url) { //初使化curl $ch = curl_init(); //请求的url,由形参传入 curl_setopt($ch, CURLOPT_URL, $url); //将得到的数据返回 curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //不处理头信息 curl_setopt($ch, CURLOPT_HEADER, 0); //连接超过10秒超时 curl_setopt($ch, CURLOPT_TIMEOUT, 10); //执行curl $output = curl_exec($ch); //关闭资源 curl_close($ch); //返回内容 return $output; }
我们现在使用我们所写的get方法,请求网易的一个列表,将标题和url抓取出来。
我们可以先用get方法中传入一个URL。得到这个网址所对应网页的html。
网址为新媒体观察网的新闻列表页:http://www.xmtnews.com/events 。
将红色区域采集下来:
一、得到采红色区间的html
这个区间从下面的HTML代码开始:
<section class="ov">
在以下代码结束:
<div class="hr-10"></div>
使用preg_match写一个正则表达示就匹配就得到了红色区间的HTML。将匹配到的HTML赋值给变量$area。
匹配的正则表达示如下:
<section class="ov">(.*?)<div class="hr-10"><\/div>/mis'
二、在红色区域匹配标题和标题的URL
我们发现所有的标题都在<h3>标签里面。我们使用preg_match_all写一个正则表达示。
preg_match_all('/<h3><a href="(.*?)" title=".*?" class="headers" target="_blank">(.*?)<\/a><\/h3>/mis', $area, $find);
将url和内容匹配出来的内容放置到$find中,将$find数组,打印出来就可以看到匹配的结果了。
如果需要,也可以循环读取显示每一行标题和每一行URL。
全部代码演示如下:
<?php $content = get('http://www.xmtnews.com/events'); preg_match('/<section class="ov">(.*?)<div class="hr-10"><\/div>/mis', $content, $match); //将正则匹配到的内容赋值给$area $area = $match[1]; preg_match_all('/<h3><a href="(.*?)" title=".*?" class="headers" target="_blank">(.*?)<\/a><\/h3>/', $area, $find); var_dump($find); function get($url) { //初使化curl $ch = curl_init(); //请求的url,由形参传入 curl_setopt($ch, CURLOPT_URL, $url); //将得到的数据返回 curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //不处理头信息 curl_setopt($ch, CURLOPT_HEADER, 0); //连接超过10秒超时 curl_setopt($ch, CURLOPT_TIMEOUT, 10); //执行curl $output = curl_exec($ch); //关闭资源 curl_close($ch); //返回内容 return $output; } ?>