php使用curl和正则表达式抓取网页数据示例
正则表达式
利用curl和正则表达式做的一个针对磨铁中文网非vip章节的小说抓取器，支持输入小说ID下载小说。
依赖项：curl
可以简单的看下，里面用到了curl ,正则表达式，ajax等技术，适合新手看看。在本地测试，必须保证联网并且确保php开启curl的mode
SpiderTools.class.php
代码如下:
session_start();
//封装成类 开启这些自动抓取文章
#header("Refresh:30;http://www.test.com:8080");
class SpiderTools{
//////////////////////////////////////////////////////////////////////////////////////////////////////////
/*传入文章ID 解析出文章标题*/
//////////////////////////////////////////////////////////////////////////////////////////////////////////
public function getBookNameById($aid){
//初始化curl
$ch= curl_init();
//url
$url='http://www.motie.com/book/'.$aid;
if(is_numeric($aid)){
//正则表达式匹配
$ru="/\s*(.*)\s*<\/a>\s*<\/h1>/";
}
else{
//丧尸爆发之全家求生路_第一章 丧尸爆发 为吾友爱乐儿更新~_磨铁
$ru="/(.*)<\/title>/";<BR> }<BR> //设置选项，包括URL<BR> curl_setopt($ch, CURLOPT_URL, $url);<BR> curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//不自动输出内容<BR> curl_setopt($ch, CURLOPT_HEADER, 0);//不返回头部信息<BR> curl_setopt($ch, CURLOPT_CONNECTTIMEOUT_MS, 0); <BR> //执行curl<BR> $output = curl_exec($ch);<BR> //错误提示<BR> if(curl_exec($ch) === false){<BR> die(curl_error($ch));<BR> }<BR> // 检查是否有错误发生<BR> if(curl_errno($ch)){<BR> echo 'Curl error: ' . curl_error($ch);<BR> }<BR> //释放curl句柄<BR> curl_close($ch);<BR> $arr=array();<BR> preg_match_all($ru,$output,$arr);<BR> return $arr[1][0];<BR> }<BR> ////////////////////////////////////////////////////////////////////////////////////////////////////////// <BR> /*传入文章ID 解析文章内容*/<BR> //////////////////////////////////////////////////////////////////////////////////////////////////////////<BR> public function getBookContextById($aid){<BR> //开始解析文章<BR> $ids=array();<BR> $ids=explode("_",$aid);<BR> $titleId=trim($ids[0]);<BR> $aticleId=trim($ids[1]);<BR> $ch= curl_init();<BR> $ru="/<p class=\"page-content\">[\s\S]*<pre ondragstart=\"return false\" oncopy=\"return false;\" oncut=\"return false;\" oncontextmenu=\"return false\" class=\"note\" id=\"html_content_\d*\">[\s\S]*(.*)<img src=\"\/ajax\/chapter\/$titleId\/$aticleId\" class=\"hidden\" \/><\/pre>/ui"; <BR> $url='http://www.motie.com/book/'.$aid;<BR> //正则表达式匹配</P>
<P> //设置选项，包括URL<BR> curl_setopt($ch, CURLOPT_URL, $url);<BR> curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//不自动输出内容<BR> curl_setopt($ch, CURLOPT_HEADER, 0);//不返回头部信息<BR> curl_setopt($ch, CURLOPT_CONNECTTIMEOUT_MS, 0); <BR> //执行curl<BR> $output = curl_exec($ch);<BR> //错误提示<BR> if(curl_exec($ch) === false){<BR> die(curl_error($ch));<BR> }<BR> // 检查是否有错误发生<BR> if(curl_errno($ch)){<BR> echo 'Curl error: ' . curl_error($ch);<BR> }<BR> $arr=array();<BR> $arr2=array();<BR> preg_match_all($ru,$output,$arr);<BR> curl_close($ch);<BR> #var_dump($arr);<BR> $s=$arr[0][0];<BR> $s=substr($s,180);<BR> $arr2=explode("<img",$s);<BR> return trim($arr2[0]);<BR> }</P>
<P> ////////////////////////////////////////////////////////////////////////////////////////////////////////// <BR> /*静态方法 @生成小说文件 可以直接调用 */<BR> //////////////////////////////////////////////////////////////////////////////////////////////////////////<BR> public static function createBookById($id){<br><br> if(!is_numeric($id)){</P>
<P> echo "<br/>INIT BEGIN START WRITE!";<BR> $st=new self();<BR> $cons=$st->getBookContextById($id);<BR> $title=$st->getBookNameById($id);<BR> $cons=trim($cons);<BR> $t=explode(" ",$title);<BR> //构造目录<BR> $dir=array();<BR> $dir=explode("_",$t[0]);<BR> $wzdir=$dir[0]; //书名称 作为目录名称<BR> $wzchapter=$dir[1]; //第几章<BR> //创建目录<BR> $wzdir2=iconv("UTF-8", "GBK", $wzdir);//目录编码 注意这里保留对$wzdir字符串的引用，用来构造文件名，不能用此处，防止二次编码<BR> if(!file_exists($wzdir2)){<BR> mkdir($wzdir2); //创建目录<BR> }<BR> //构造文件名<BR> $wztitle="./".$wzdir."/"."$t[0]".".txt";<BR> //保证保存的文件名称不是乱码<BR> $wztitle=iconv("UTF-8", "GBK", $wztitle);<BR> $f=fopen($wztitle,"w+");<BR> fwrite($f,$cons);<BR> echo "<font color='green'>$wzdir </font>".$wzchapter."<font color='red'>写入成功</font>";<BR> fclose($f); <br><br> } <BR> else{<BR> $ids=self::getBookIdsById($id); <br><br> //这里服务器可能会掉线，所以最好用session记录循环<BR> #for($i=$_SESSION["$id"."_fid"];$i<=count($ids);$_SESSION["$id"."_fid"]++,$i++){<br><br> #self::createBookById($id."_".$ids[$_SESSION["$id"."_fid"]++]);//构造id<BR> #}<br><br> for($i=$_SESSION["$id"."_fid"];$i<=count($ids);$_SESSION["$id"."_fid"]++,$i++){<br><br> self::createBookById($id."_".$ids[$i]);//构造id<BR> }<br><br> #echo "<hr/><hr/><br/><h1>写入工作全部完成</h1>";<BR> #echo $id."_".$ids[0]."<br/>"; <BR> #var_dump($ids);<br><br> }</P>
<P><BR> }<BR> /*<BR> 获取小说的所有ID<BR> @param $id 文章ID<BR> @return array;<BR> */<BR> public static function getBookIdsById($aid){ <BR> $ch= curl_init();<BR> $url='http://www.motie.com/book/'.$aid."/chapter";<BR> //注意这里的?可以获取最少匹配项<BR> $ru='/[\s\S]*?<li class=\"\" createdate=\"\d{4}\-\d{2}\-\d{2} \d{2}:\d{2}:\d{2}\">[\s\S]*?.*?<\/a>.*?/u';//正则表达式匹配<BR> //设置选项，包括URL<BR> curl_setopt($ch, CURLOPT_URL, $url);<BR> curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//不自动输出内容<BR> curl_setopt($ch, CURLOPT_HEADER, 0);//不返回头部信息<BR> curl_setopt($ch, CURLOPT_CONNECTTIMEOUT_MS, 0); <BR> //执行curl<BR> $output = curl_exec($ch);<BR> // 检查是否有错误发生<BR> if(curl_errno($ch)){<BR> echo 'Curl error: ' . curl_error($ch);<BR> }<BR> //释放curl句柄<BR> curl_close($ch);<BR> $arr=array();<BR> preg_match_all($ru,$output,$arr,PREG_PATTERN_ORDER);<BR> return $arr[1];<BR> }<BR>}<BR>?><BR></P>
<P>getinfo.php<BR><U> </U> 代码如下:<BR><?php<BR> session_start();<BR>require_once("SpiderTools.class.php");<BR>if($_REQUEST["bid"]){<BR>if(is_numeric($_REQUEST["bid"])){<BR> SpiderTools::createBookById(trim($_REQUEST["bid"]));<BR> }<BR> else{<BR> echo "<br/>请输入正确的文章ID<br/>";<BR> }<BR>}<BR>?><BR></P>
<P>index.html<BR><U> </U> 代码如下:<BR><html><BR><head><meta charset="utf-8"/></head><BR><title>下载小说啦
输入磨铁中文网你想看到的小说ID号就可以下载小说啦
PHP之友评论