利用 PHP 制作简单的内容采集器的代码

 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.86zw.com/Book/3727/Index.aspx 

  多打开几本书会发现,书名的基本格式是:http://www.86zw.com/Book/ 书号 / Index.aspx,于是我们可以做一个开始页,定义一个 <input type=text name=number>,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 “<span class=”booktitle”>《回到明朝当王爷》</span>”,这就是要提取出来的书名了。提取书名的正则表达式:/<span class=\”newstitle\”>(.*?)\<\/span>/is,使用 preg_match_all () 函数将书名取出:preg_match_all(“/<span class=\”newstitle\”>(.*?)\<\/span>/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.86zw.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.86zw.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);
}

 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:

$chapterurl = http://www.86zw.com/Html/Book/.$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 = ">";   
$tend  = "<";   //取路径,例如:123.shtm,2342.shtm,233.shtm  
preg_match_all("/\"[0-9]{1,}\.(shtm)\"/is",$chapterurl,$url);   //取标题,例如:第一章 九世善人  
preg_match_all("/<a href=\"[0-9]{1,}\.shtm\"(.*?)\<\/a>/is",$file,$title);   
$count = count($url[0]);  
for($i=0;$i<=$count;$i++)  
{  
  $u = cut($url[0][$i],$ustart,$uend);  
  $t = cut($title[0][$i],$tstart,$tend);  
  $array[$u] = $t;  
}  

 $array 数组就是所有的章节地址了,到这里,采集器就完成一半了,剩下的就是循环打开每个章节地址,读取,然后将内容匹配出来。这个比较简单,这里就不详细叙述了。