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。