献给所有想学习正则和采集的朋友

王朝学院·作者佚名  2009-01-04
窄屏简体版  字體: 小  |  中  |  大  |  超大  

<?php

function get_url_content($Url,$Method = 'c') {

//引入需要的语言编码.如果没有, 就会默认为utf-8,不必担心.

global $Charset;

$Urlarr = parse_url($Url);

//如果检测不出域名,就返回.

if (!isset($Urlarr['host'])) {

return false;

}

//我们用智能方式定义header头倍信息.

foreach (@getallheaders() as $key => $val){

$key==='Host' && $val = $Urlarr['host'];

$key==='Referer' && $val ='http://'.$Urlarr['host'];

$str .= "'$key:$val',

";

}

//虚拟来路.

!eregi('Referer',$str) && $str .="'Referer:http://{$Urlarr['host']}',

";

//经过修正, 基本上, 来路也是那个站, 主机也是Url站点.

$Header = array(trim($str));

//下面仅仅是选择用哪个程序来采集.

if($Method === 'f'&&function_exists('file_get_contents')) {

$opts = array(

'http'=>array(

'method'=>"GET",

'header'=>$Header,

)

);

$cxContext = stream_context_create($opts);

$file_contents = @file_get_contents($Url, false, $cxContext);

} elseif ($Method === 'c'&&function_exists('curl_init')) {

$Ch = curl_init();

$Timeout = 5;

curl_setopt($Ch,CURLOPT_HTTPHEADER,$Header);

curl_setopt ($Ch, CURLOPT_URL, $Url);

curl_setopt ($Ch, CURLOPT_RETURNTRANSFER,1);

curl_setopt ($Ch, CURLOPT_CONNECTTIMEOUT, $Timeout);

$file_contents = curl_exec($Ch);

curl_close($Ch);

}

//为了让样式显示得漂亮,我们给它加一句目标引向.

$file_contents = str_replace('</title>',"</title>

<base href="Urlarr[]http://{$Urlarr['host']}/" />",$file_contents);

//处理最常见的几种编码, 如果目标网站没有编码, 就默认为GBK

!preg_match('/charset=([^<>"]*)"/isU',$file_contents,$lang) && $lang[1]='GBK';

function_exists('mb_convert_encoding') && $file_contents = mb_convert_encoding($file_contents,empty($Charset)?'UTF-8':$Charset,$lang[1]);

//注销部分代码;

unset($Url,$lang,$Timeout,$Urlarr,$Charset);

return $file_contents;

}

//测试开始 测试用file_get_contents方式

HEADER("CONTENT-TYPE:TEXT/HTML; CHARSET=UTF-8");

//http://www.xtzj.com/read-htm-tid-347550.html 这是采集不到.

$file = get_url_content("http://www.hao123.com",'f');

$file = strip_tags($file,'<a>');

preg_match_all('/(http:[^"<>]*)>/isU',$file,$link);unset($link[0]);

$link = $link[1];

//我们来模拟获得数据. 自己更换数字.0-151 下面是用curl方式

$x = 10;

$file = get_url_content($link[$x]);

echo $file;

?>

全部写上说明, 注释..

有不明白的回复.. 我来给采集普及一下知识.

原文地址:http://bbs.phpchina.com/viewthread.php?tid=99263

 
 
免责声明:本文为网络用户发布,其观点仅代表作者个人观点,与本站无关,本站仅提供信息存储服务。文中陈述内容未经本站证实,其真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
 
© 2005- 王朝網路 版權所有 導航