PHP抓取網頁和分析

張貼在 2008/10/12 作者 denniswave — 35 個迴響 ↓

有些網頁的內容是常常變動的，但是又不可能一直盯著看，所以研究看看怎麼用 PHP 抓取網頁內容。
From：http://my.opera.com/kmgocc/blog/show.dml/322416
http://272586.blogspot.com/2007/05/php.html
http://www.fantxi.com/blog/show-618-1.html
http://www.inote.tw/2009/04/php-curl.html

譯者：limodou
抓取和分析一個文件是非常簡單的事。這個教程將通過一個例子帶領你一步一步地去實現它。讓我們開始吧！
首先，首先必須決定我們將抓取的URL地址。可以通過在腳本中設定或通過$QUERY_STRING傳遞。為了簡單起見，讓我們將變量直接設在腳本中。

<?
$url = 'http://www.php.net';
?>

第二步，我們抓取指定文件，並且通過file()函數將它存在一個數組裡。

<?
$url = 'http://www.php.net';
$lines_array = file($url);
?>

好了，現在在數組裡已經有了文件了。但是，我們想分析的文本可能不全在一行裡面。為瞭解決這個文件，我們可以簡單地將數組$lines_array轉化成一個字符串。我們可以使用implode(x,y)函數來實現它。如果在後面你想用explode(將字符串變量數組)，將x設成"|"或"!"或其它類似的分隔符可能會更好。但是出於我們的目的，最好將x設成空格。y是另一個必要的參數，因為它是你想用implode()處理的數組。

<?
$url = 'http://www.php.net';
$lines_array = file($url);
$lines_string = implode('', $lines_array);
?>

現在，抓取工作就做完了，下面該進行分析了。出於這個例子的目的，我們想得在<head>到</head>之間的所有東西。為了分析出字符串，我們還需要叫做正規表達式的東西。

<?
$url = 'http://www.php.net';
$lines_array = file($url);
$lines_string = implode('', $lines_array);
eregi("<head>(.*)</head>", $lines_string, $head);
?>

讓我們看一下代碼。正如你所見，eregi()函數按下面的格式執行：

eregi("<head>(.*)</head>", $lines_string, $head);

"(.*)"表示所有東西，可以解釋為，"分析在<head>和</head>間的所以東西"。$lines_string是我們正在分析的字符串，$head是分析後的結果存放的數組。
最後，我們可以輸數據。因為僅在<head>和</head>間存在一個實例，我們可以安全的假設數組中僅存在著一個元素，而且就是我們想要的。讓我們把它打印出來吧。

<?
$url = 'http://www.php.net';
$lines_array = file($url);
$lines_string = implode('', $lines_array);
eregi("<head>(.*)</head>", $lines_string, $head);
echo $head[0];
?>

轉自WeberDev.com
如何抓取網站的內容,並解析其內容

<?
$http="http://272586.blogspot.com"; //您想抓取的網址
$buffer = file($http); //將網址讀入buffer變數
for($i=0;$i<sizeof($buffer);$i++) //將每段文字讀出來,以換行為單位,sizeof會傳回共有幾筆
{
$n1=strpos(" ".$buffer[$i],"<title>"); //檢查你要找的字,是否存在,假設我想找<title>中的內容為何,為什麼前面要加空白,因為如果找到位置如果是第一個位置是0,0跟找不到在判斷會有問題
if($n1>0)
{
$n2=strrpos($buffer[$i],"</title>"); //找出</title>的位置
$title=substr($buffer[$i],$n1+6,$n2-$n1-6); //+6的意思是<title>的長度減掉前面的一個空白,-6的話是把長度減掉
//utf-8 轉 big5
$title=iconv("UTF-8","big5",$title);
echo $title."<br>n"; //將title的內容值印出n代表顯示原始碼的時候會換行,<BR>是brower顯示會換行

}
}
?>

PHP抓網頁內容
1.file_get_contents

<?
$url = http://www.xxx.com/;
$contents = file_get_contents($url);
//如果出現中文亂碼使用下面代碼
//$getcontent = iconv("gb2312", "utf-8",file_get_contents($url));
//echo $getcontent;
echo $contents;
?>

2.curl
我們必須先建立一個「curl」的連線，也因此，必須使用到「$ch = curl_init()」這個函式。而為了怕建立連線忘了關閉。因此，必須先寫好關閉的函式，「curl_close($ch)」。
接下來，你可以設定他截取網頁的選項，一般來說常用的有「CURLOPT_RETURNTRANSFER」、「CURLOPT_URL」、「CURLOPT_HEADER」、「CURLOPT_FOLLOWLOCATION」、「CURLOPT_USERAGENT」這幾個選項。而這幾個選項分別代表「將結果回傳成字串」、「設定截取網址」、「是否截取header的資訊」、「是否抓取轉址」及「瀏覽器的user agent」。最後，再執行「curl_exec($ch)」以取出結果就可以了。

<?
$url = "http://www.xxx.com/";
$ch = curl_init();
$timeout = 5;
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
//在需要用戶檢測的網頁裡需要增加下面兩行
//curl_setopt($ch, CURLOPT_HTTPAUTH, CURLAUTH_ANY);
//curl_setopt($ch, CURLOPT_USERPWD, US_NAME.":".US_PWD);
$contents = curl_exec($ch);
curl_close($ch);
echo $contents;
?>

以抓取yahoo為例，若我們要偽裝成google bot去抓取，那麼我們可以寫成下列的樣子：

$ch = curl_init();
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_URL, "www.yahoo.com.tw");
curl_setopt($ch, CURLOPT_HEADER, false);
curl_setopt($ch, CURLOPT_USERAGENT, "Google Bot");
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
$output = curl_exec($ch);
curl_close($ch);
echo $output;

也可以將選項們設定一個陣列，以增加設定時的閱讀度。這時就得動用「curl_setopt_array()」這個函式了：

$ch = curl_init();
$options = array(CURLOPT_URL => 'www.yahoo.com.tw',
                 CURLOPT_HEADER => false,
   CURLOPT_RETURNTRANSFER => true,
   CURLOPT_USERAGENT => "Google Bot",
   CURLOPT_FOLLOWLOCATION => true
           );
curl_setopt_array($ch, $options);
$output = curl_exec($ch);
curl_close($ch);
echo $output;

3.fopen->fread->fclose

<?
$handle = fopen ("http://www.xxx.com/", "rb");
$contents = "";
do {
   $data = fread($handle, 8192);
   if (strlen($data) == 0) {
   break;
   }
   $contents .= $data;
} while(true);
fclose ($handle);
echo $contents;
?>

Please follow and like us:

35 comments on “PHP抓取網頁和分析”

珊珊說：

2010/09/14 at 20:30:33

一整天您好:
我是第一次來這裡留言，不好意思，想冒昧的向您請教一些問題，
程式如下:
YAHOO即時新聞網
channel->item as $item) {
echo '';
echo '';
echo 'link.'" target="info">'.$item->title.'';
}
?>
問題:要如何將每天的及時新聞資料自動存入資料庫內，而不需要手動輸入??
連結資料庫的檔名:db.inc
設定的資料表為artcles，欄位有:aNo(編號欄位)、title(標題欄位)、content(內容欄位)

回覆
珊珊說：

2010/09/14 at 20:56:35

真的非常抱歉，開錯網頁留錯言了
:orz

回覆
spack 說：

2012/04/09 at 20:43:27

感謝提供這個程式碼, 好用!
另外想請問, 以下的網站卻為何無法被讀取, 是不是有另外的好法子去讀到它, 感謝啦!
http://xml.utrace.de/?query=88.198.156.18

回覆
- denniswave 說：
  
  2012/04/13 at 12:31:37
  
  可以耶～我的程式碼：
  $http6 = "http://xml.utrace.de/?query=88.198.156.18"; $buffer6 = file($http6); for($b=0;$b 輸出的結果是： 0:<?xml version="1.0" encoding="iso-8859-1"?> 1:<results> 2:<result> 3:<ip>88.198.156.18</ip> 4:<host></host> 5:<isp>Hetzner Online AG</isp> 6:<org>Pagedesign GmbH Agentur f▒r digitale Medien</org> 7:<region></region> 8:<countrycode>DE</countrycode> 9:<latitude>51</latitude> 10:<longitude>9</longitude> 11:<queries>2</queries> 12:</result> 13:</results>
Dona 說：

2013/06/13 at 10:48:27

您好:現在新網頁的內容是常常變動AJAX，但是又不可能一直盯著看，是否有辦法自動抓取網頁AJAX (JQUERY)內容 ?

回覆
- denniswave 說：
  
  2013/06/15 at 13:15:26
  
  不好意思，我沒有抓取過 AJAX 的網頁！
X 說：

2013/08/14 at 12:59:12

請問如果抓取前須要打入帳號密碼要怎麼做呢?
謝謝!

回覆
- denniswave 說：
  
  2013/08/18 at 20:48:42
  
  可以 goggle：php curl login
  DaniWeb 的範例：
  function cURL($url, $header=NULL, $cookie=NULL, $post=NULL) { //$user_agent = $_SERVER['HTTP_USER_AGENT']; $user_agent = 'Mozilla/5.0 (Windows NT 5.1; rv:10.0.2) Gecko/20100101 Firefox/10.0.2'; $ch = curl_init(); curl_setopt($ch, CURLOPT_HEADER, $header); curl_setopt($ch, CURLOPT_NOBODY, $header); curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, 0); curl_setopt($ch, CURLOPT_COOKIE, $cookie); curl_setopt($ch, CURLOPT_USERAGENT, $user_agent); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, 0); curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); if ($post) { curl_setopt($ch, CURLOPT_CUSTOMREQUEST, "POST"); curl_setopt($ch, CURLOPT_POST, 1); curl_setopt($ch, CURLOPT_POSTFIELDS, $post); } $result = curl_exec($ch); $error = curl_error($ch); curl_close($ch); if($result){ return $result; }else{ return $error; } } function curl_fb($url){ //輸入要用來登入的e-mail與密碼 $EMAIL = ""; $PASSWORD = ""; $fb_login_url = "https://login.facebook.com/login.php?login_attempt=1"; $result = cURL($fb_login_url,true,null,"email=$EMAIL&pass=$PASSWORD"); preg_match('%Set-Cookie: ([^;]+);%',$result,$M); $result = cURL($fb_login_url,true,$M[1],"email=$EMAIL&pass=$PASSWORD"); preg_match_all('%Set-Cookie: ([^;]+);%',$result,$M); $cookie = ''; for($i=0;$i
X 說：

2013/10/09 at 14:49:32

謝謝您!!
假日我試看看~
若卡關在向您請教!!

回覆
joey 說：

2013/10/14 at 17:30:52

您好：
可否請你幫忙寫一個網頁表格抓取程式
把抓取的表格內容存入excel檔
如http://www.abc.com/????
?號是遞增的數字
可手動輸入決定?號的數字，如自1-100或800-999或1000-3000等

回覆
- denniswave 說：
  
  2013/10/17 at 10:06:09
  
  釣竿在上面有耶～您不自己試看看嗎？
  （加個 for 迴圈就可以抓取遞增數字了）
  我的建議是輸出成表格後，自己 copy 到 Excel 比較簡單
  我不會用程式直接輸出 Excel 檔。我會選擇輸出 CSV 檔，後面用 VBA 來處理。
paul 說：

2013/10/15 at 00:16:14

您好我想抓取這個網頁的資料(http://richurimo.51240.com/24.026396666017327_120.849609375_20131008__richuriluo/)
星期二日出日中日落
2013年10月08日 05:51:06 11:44:08 17:37:09
我想抓出日出日落的時間
但是他原始碼非常的繁雜
不知道抓取的關鍵字要怎麼設定呢?之類的
因為有很多重複!! 但有些資料是不需要的
能請求您給個提示媽?

回覆
- denniswave 說：
  
  2013/10/17 at 12:11:57
  
  您好，您可以參考 http://article.denniswave.com/5198 這篇文章來把您要的資料取出來
  （我會用 "如何抓取網站的內容,並解析其內容" 那一段程式配合正規表示式 (Regular Expression) 取出特定的時間）
X 說：

2013/10/16 at 13:46:44

不好意思
我測試了在我的網站上無法執行耶可否找您協助一下呢
登入FACEBOOK 沒問題的

回覆
- denniswave 說：
  
  2013/10/17 at 10:03:03
  
  錯誤訊息是什麼啊？
  登入沒有問題，應該就可以抓取資料的。
  怕的只是裡面放了一些 iframe 或是 script 導致抓取的網頁內容不是您在瀏覽器看到的內容。
  （ echo curl_fb($url); 應該就會呈現抓取到的網頁內容）
X 說：

2013/10/17 at 10:45:09

對不起
方便宜過去看一下嗎? 或是我直接可以MAIL 相關資料給您
http://forum.pfsense.org/index.php/topic,68038.0.html
這個狀況應該是有密碼特殊字元發生這個問題
不過當我把密碼修改能沒有特殊字元就變成
CSRF check failed. Either your session has expired, this page has been inactive too long, or you need to enable cookies.
Debug:
備註: 密碼一定需要特殊字元所以這個問題也必須被解決
謝謝您

回覆
- denniswave 說：
  
  2013/10/17 at 12:21:07
  
  特殊字元的問題，可以試看看加個反斜線（\）。
  另外，可能是因為要設定 Cookie 吧。這個我就沒有經驗了，抱歉！>"<

PHP抓取網頁和分析

35 comments on “PHP抓取網頁和分析”

發表迴響取消回覆

月曆

最新文章

每月文章

文章分類

最近迴響

十二月 2024
日	一	二	三	四	五	六
« 八月
1	2	3	4	5	6	7
8	9	10	11	12	13	14
15	16	17	18	19	20	21
22	23	24	25	26	27	28
29	30	31

相關文章：

35 comments on “PHP抓取網頁和分析”

發表迴響 取消回覆

月曆

最新文章

每月文章

文章分類

最近迴響

發表迴響取消回覆