php爬虫提取网页数据 php抓取网页数据 _curl

怎么用php采集网站数据【php爬虫提取网页数据 php抓取网页数据】简单的分了几个步骤：
1、确定采集目标
2、获取目标远程页面内容（curl、file_get_contents）
3、分析页面html源码，正则匹配你需要的内容（preg_match、preg_match_all），这一步最为重要，不同页面正则匹配规则不一样
4、入库
如何用爬虫爬取网页上的数据用爬虫框架Scrapy，三步
定义item类
开发spider类
开发pipeline
如果你想要更透的信息，你可以参考《疯狂python讲义》
php中curl爬虫怎么样通过网页获取所有链接本文承接上面两篇，本篇中的示例要调用到前两篇中的函数，做一个简单的URL采集。一般php采集网络数据会用file_get_contents、file和cURL 。不过据说cURL会比file_get_contents、file更快更专业，更适合采集。今天就试试用cURL来获取网页上的所有链接。示例如下：
?php
/*
* 使用curl 采集hao123.com下的所有链接。
*/
include_once('function.php');
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, '');
// 只需返回HTTP header
curl_setopt($ch, CURLOPT_HEADER, 1);
// 页面内容我们并不需要
// curl_setopt($ch, CURLOPT_NOBODY, 1);
// 返回结果，而不是输出它
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
$html = curl_exec($ch);
$info = curl_getinfo($ch);
if ($html === false) {
echo "cURL Error: " . curl_error($ch);
}
curl_close($ch);
$linkarr = _striplinks($html);
// 主机部分，补全用
$host = '';
if (is_array($linkarr)) {
foreach ($linkarr as $k = $v) {
$linkresult[$k] = _expandlinks($v, $host);
}
}
printf("p此页面的所有链接为：/ppre%s/pren", var_export($linkresult , true));
?
function.php内容如下（即为上两篇中两个函数的合集）：
?php
function _striplinks($document) {
preg_match_all("'s*as.*?hrefs*=s*(["'])?(?(1) (.*?)\1 | ([^s] ))'isx", $document, $links);
// catenate the non-empty matches from the conditional subpattern
while (list($key, $val) = each($links[2])) {
if (!empty($val))
$match[] = $val;
} while (list($key, $val) = each($links[3])) {
if (!empty($val))
$match[] = $val;
}
// return the links
return $match;
}
/*===================================================================*
Function: _expandlinks
Purpose: expand each link into a fully qualified URL
Input:$linksthe links to qualify
$URIthe full URI to get the base from
Output:$expandedLinks the expanded links
*===================================================================*/
function _expandlinks($links,$URI)
{
$URI_PARTS = parse_url($URI);
$host = $URI_PARTS["host"];
preg_match("/^[^?] /",$URI,$match);
$match = preg_replace("|/[^/.] .[^/.] $|","",$match[0]);
$match = preg_replace("|/$|","",$match);
$match_part = parse_url($match);
$match_root =
$match_part["scheme"]."://".$match_part["host"];
$search = array("|^http://".preg_quote($host)."|i",
"|^(/)|i",
"|^(?!http://)(?!mailto:)|i",
"|/./|",
"|/[^/] /../|"
);
$replace = array( "",
$match_root."/",
$match."/",
"/",
"/"
);
$expandedLinks = preg_replace($search,$replace,$links);
return $expandedLinks;
}
?
使用PHP的cURL库进行网页抓取使用PHP的cURL库可以简单和有效地去抓网页你只需要运行一个脚本然后分析一下你所抓取的网页然后就可以以程序的方式得到你想要的数据了无论是你想从从一个链接上取部分数据或是取一个XML文件并把其导入数据库那怕就是简单的获取网页内容 cURL 是一个功能强大的PHP库本文主要讲述如果使用这个PHP库
启用 cURL 设置
首先我们得先要确定我们的PHP是否开启了这个库你可以通过使用php_info()函数来得到这一信息
﹤?phpphpinfo();?﹥
如果你可以在网页上看到下面的输出那么表示cURL库已被开启
如果你看到的话那么你需要设置你的PHP并开启这个库如果你是在Windows平台下那么非常简单你需要改一改你的php ini文件的设置找到php_curl dll 并取消前面的分号注释就行了如下所示
//取消下在的注释extension=php_curldll
如果你是在Linux下面那么你需要重新编译你的PHP了编辑时你需要打开编译参数——在configure命令上加上 –with curl参数
一个小示例
如果一切就绪下面是一个小例程
﹤?php// 初始化一个 cURL 对象$curl = curl_init();
// 设置你需要抓取的URLcurl_setopt($curlCURLOPT_URL//cocre);
// 设置headercurl_setopt($curlCURLOPT_HEADER);
// 设置cURL 参数要求结果保存到字符串中还是输出到屏幕上 curl_setopt($curlCURLOPT_RETURNTRANSFER);
// 运行cURL 请求网页$data = https://www.04ip.com/post/curl_exec($curl);
// 关闭URL请求curl_close($curl);
// 显示获得的数据var_dump($data);
如何POST数据
上面是抓取网页的代码下面则是向某个网页POST数据假设我们有一个处理表单的网址// example /sendSMS php 其可以接受两个表单域一个是电话号码一个是短信内容
﹤?php$phoneNumber =;$message =This message was generated by curl and php;$curlPost =pNUMBER=urlencode($phoneNumber)MESSAGE=urlencode($message)SUBMIT=Send;$ch = curl_init();curl_setopt($chCURLOPT_URL//example/sendSMSphp);curl_setopt($chCURLOPT_HEADER);curl_setopt($chCURLOPT_RETURNTRANSFER);curl_setopt($chCURLOPT_POST);curl_setopt($chCURLOPT_POSTFIELDS$curlPost);$data = https://www.04ip.com/post/curl_exec();curl_close($ch);?﹥
从上面的程序我们可以看到使用CURLOPT_POST设置HTTP协议的POST方法而不是GET方法然后以CURLOPT_POSTFIELDS设置POST的数据
关于代理服务器
下面是一个如何使用代理服务器的示例请注意其中高亮的代码代码很简单我就不用多说了
﹤?php $ch = curl_init();curl_setopt($chCURLOPT_URL//example);curl_setopt($chCURLOPT_HEADER);curl_setopt($chCURLOPT_RETURNTRANSFER);curl_setopt($chCURLOPT_HTTPPROXYTUNNEL);curl_setopt($chCURLOPT_PROXYfakeproxy:);curl_setopt($chCURLOPT_PROXYUSERPWDuser:password);$data = https://www.04ip.com/post/curl_exec();curl_close($ch);?﹥关于SSL和Cookie
关于SSL也就是HTTPS协议你只需要把CURLOPT_URL连接中的//变成//就可以了当然还有一个参数叫CURLOPT_SSL_VERIFYHOST可以设置为验证站点
关于Cookie 你需要了解下面三个参数
CURLOPT_COOKIE 在当面的会话中设置一个cookie
CURLOPT_COOKIEJAR 当会话结束的时候保存一个Cookie
CURLOPT_COOKIEFILE Cookie的文件
HTTP服务器认证
最后我们来看一看HTTP服务器认证的情况
﹤?php $ch = curl_init();curl_setopt($chCURLOPT_URL// example);curl_setopt($chCURLOPT_RETURNTRANSFER);curl_setopt($chCURLOPT_HTTPAUTHCURLAUTH_BASIC);curl_setopt(CURLOPT_USERPWD[username]:[password] )
$data = https://www.04ip.com/post/curl_exec();curl_close($ch);?﹥
关于其它更多的内容请参看相关的cURL手册lishixinzhi/Article/program/PHP/201311/21491
如何爬虫网页数据爬取网页数据原理如下：
如果把互联网比作蜘蛛网，爬虫就是蜘蛛网上爬行的蜘蛛，网络节点则代表网页。当通过客户端发出任务需求命令时，ip将通过互联网到达终端服务器，找到客户端交代的任务。一个节点是一个网页。蜘蛛通过一个节点后，可以沿着几点连线继续爬行到达下一个节点。
简而言之，爬虫首先需要获得终端服务器的网页，从那里获得网页的源代码，若是源代码中有有用的信息，就在源代码中提取任务所需的信息。然后ip就会将获得的有用信息送回客户端存储，然后再返回，反复频繁访问网页获取信息，直到任务完成。
关于php爬虫提取网页数据和php抓取网页数据的介绍到此就结束了，不知道你从中找到你需要的信息了吗？如果你还想了解更多这方面的信息，记得收藏关注本站。

php爬虫提取网页数据 php抓取网页数据

推荐阅读

房子阳台朝哪个方向好房子阳台朝什么方向好

独在异乡的第二年

炒这些菜时千万不要放醋以免发生反应

尼康d850的基本设置是什么尼康d850的基本设置

滴滴与uber的竞争分析,uber被滴滴合并分析

中括号 [ ]在数学表示什么中括号 [ ]在数学里面表示什么

埋线改全切怎么抽线

鮟鱇鱼的特点

苏州林内燃气热水器不燃烧是什么原因,全面的对比下

青砖伴瓦漆白马踏新泥什么意思

自热火锅上层加热水会爆炸吗

摩托罗拉|泪目！华为商城上线“中国制造”个性手机壳全系9.9元

矩阵分析那本书好,矩阵在那本书里讲

python函数需要背吗 python需要背哪些东西英语

iphone|真不怕冷！零下三十度都能用，支持热成像和激光测距！AGM G1发布

劳动合同解除和终止的区别是什么

元日古诗解释元日古诗的翻译及原文

癌症|院士坦言癌症不可能被消灭？从头到脚的防癌重点，帮你总结全了

青州新办事中心地址在什么位置

煎饺和蒸饺的区别