动态网页技术:利用php制作简单的内容采集器

采集器,通常又叫小偷程序,主要是用来抓取别人网页内容的。关于采集器的制作,其实并不难,就是远程打开要采集的网页,然后用正则表达式将需要的内容匹配出来,只要稍微有点正则表达式的基础,都能做出自己的采集器来的。

  前几天做了个小说连载的程序,因为怕更新麻烦,顺带就写了个采集器,采集八路中文网的,功能比较简单,不能自定义规则,不过大概思路都在里面了,自定义规则可以自己来扩展。

  用php来做采集器主要用到两个函数:file_get_contents()和preg_match_all(),前一个是远程读取网页内容的,不过只在php5以上的版本才能用,后一个是正则函数,用来提取需要的内容的。

  下面就一步一步来讲功能实现。

  因为是采集小说,所以首先要将书名、作者、类型这三个提取出来,别的信息可根据需要提取。

  这里以《回到明朝当王爷》为目标,先打开书目页,链接:http://www.webjx.com/book/3727/index.aspx

  多打开几本书会发现,书名的基本格式是:http://www.webjx.com/book/书号/index.aspx,于是我们可以做一个开始页,定义一个,用来输入需要采集的书号,以后就可以通过$_post[‘number’]这种格式来接收需要采集的书号了。接收到书号,下面要做的就是构造书目页:$url=http://www.86zw.com/book/$_post[‘number’]/index.aspx,当然这里是举个例子,主要是为了讲解方便,实际制作的时候最好检查一下$_post[‘number’]的合法性。

  构造好url以后就可以开始采集书籍信息了。使用file_get_contents() 函数打开书目页:$content=file_get_contents($url),这样就能将书目页的内容都读取出来了。接下来就是将书名、作者和类型等信息匹配出来了。这里就以书名为例,其他的都一样。 打开书目页,查看源文件,找到“《回到明朝当王爷》”,这就是要提取出来的书名了。提取书名的正则表达式:/(.*?)/is,使用preg_match_all()函数将书名取出:preg_match_all(“/(.*?)/is”,$contents,$title);这样$title[0][0]的内容就是我们要的标题了(preg_match_all函数的用法可以去百度查,这里就不详细说明了)。取出了书籍信息,接下来就是取章节内容了,要取章节内容,首先要做的就是找到每一章的地址,然后远程打开章节,用正则将内容取出来,入库或者直接生成html静态文件。这个是章节列表的地址:http://www.webjx.com/html/book/18/3727/list.shtm,可以看出这个和书目页一样,是有规律可寻的:http://www.webjx.com/html/book/分类号/书号/list.shtm。书号前面已经取得,这里的关键是找到分类号,分类号可以在前面的书目页找到,提取分类号:

  preg_match_all(“/html/book/[0-9]{1,}/[0-9]{1,}/list.shtm/is”,$contents,$typeid);这样还不够,还需要一个切取函数:

  php代码如下:

function cut($string,$start,$end){$message = explode($start,$string);$message = explode($end,$message[1]); return $message[0];}其中$string为要被切取的内容,$start为开始的地方,$end为结束的地方。取出分类号:

$start = “html/book/”;$end= “list.shtm”;$typeid = cut($typeid[0][0],$start,$end);$typeid = explode(“/”,$typeid);[/php]

  这样,$typeid[0]就是我们要找的分类号了。接下来就是构造章节列表的地址了:$chapterurl = http://www.webjx.com/html/book/.$typeid[0]/$_post[‘number’]/list.shtm。有了这个就能找到每一章节的地址了。方法如下:

$ustart = “””; $uend= “””; //t表示title的缩写$tstart = “>”; $tend= “

Posted in 未分类