标签归档：采集器

用php实现简单的内容采集器

发表于2016 年 4 月 14 日由稚子

<?php
// 页面错误配置
ini_set('display_errors', true);
error_reporting(E_ERROR);
set_time_limit(0);
// 开始处启用session
session_start();

// 定义文章目录url
$page = 'http://www.abcsee.net/book/72/72932/';
// 定义保存的文件名，转换为gbk后使在windows系统下显示中文文件名
$output = iconv("UTF-8", "GBK", './我的姥姥是半仙（全文版）.txt');
// 获取当前页数
$p = (int)$_GET['p'];

// 获取目录数据
$list = get_lists($page, true);

// 第一页时创建标题
if($p == 0){
    file_put_contents($output, '我的姥姥是半仙（全文版）' . PHP_EOL . PHP_EOL);
}

// 获取当前页的url和title
$url    = $list[$p]['url'];
$title  = $list[$p]['title'];

// 将指定页面的数据写入txt文件
if(false !== execute_content($page . $url, $title, $output)){
    echo "第{$p}页<br><br>{$title}<br><br>数据采集完成！";
    $p++;
    $time = 1;
    header("refresh:{$time};url=tools.php?p={$p}");
    exit;
}
echo 'file append error!';

/**
 * 生成文件内容
 * @param $url
 * @param null $title
 * @param $output
 * @return bool
 */
function execute_content($url, $title = null, $output)
{
    // 调用http_get_content获取某页数据
    $content = http_get_content($url, true);
    // 正则匹配有用的数据
    $txt = preg_match('/<dd id=\"contents\">(.*)<\/dd>/isU', $content, $temp) ? $temp[1] : "";
    // 删除无用空格
    $text = preg_replace("/(\r\n|\n|\r|\t)/i", '', str_replace('0 40px">', '', trim(html2text($txt))));

    // 格式化需要输出的数据
    $text = PHP_EOL . $title . PHP_EOL . $text . PHP_EOL;

    // 写入文件后返回状态
    return file_put_contents($output, $text, FILE_APPEND);
}

/**
 * html转txt
 * @param $str
 * @return mixed|string
 */
function html2text($str)
{
    $str = preg_replace("/<style .*?<\/style>/is", "", $str);
    $str = preg_replace("/<script .*?<\/script>/is", "", $str);
    $str = preg_replace("/<br \s*\/?\/>/i", "\n", $str);
    $str = preg_replace("/<\/?p>/i", "\n\n", $str);
    $str = preg_replace("/<\/?td>/i", "\n", $str);
    $str = preg_replace("/<\/?div>/i", "\n", $str);
    $str = preg_replace("/<\/?blockquote>/i", "\n", $str);
    $str = preg_replace("/<\/?li>/i", "\n", $str);
    $str = preg_replace("/\&nbsp\;/i", " ", $str);
    $str = preg_replace("/\&nbsp/i", " ", $str);
    $str = preg_replace("/\&amp\;/i", "&", $str);
    $str = preg_replace("/\&amp/i", "&", $str);
    $str = preg_replace("/\&lt\;/i", "<", $str);
    $str = preg_replace("/\&lt/i", "<", $str);
    $str = preg_replace("/\&ldquo\;/i", '"', $str);
    $str = preg_replace("/\&ldquo/i", '"', $str);
    $str = preg_replace("/\&lsquo\;/i", "'", $str);
    $str = preg_replace("/\&lsquo/i", "'", $str);
    $str = preg_replace("/\&rsquo\;/i", "'", $str);
    $str = preg_replace("/\&rsquo/i", "'", $str);
    $str = preg_replace("/\&gt\;/i", ">", $str);
    $str = preg_replace("/\&gt/i", ">", $str);
    $str = preg_replace("/\&rdquo\;/i", '"', $str);
    $str = preg_replace("/\&rdquo/i", '"', $str);
    $str = strip_tags($str);
    $str = html_entity_decode($str, ENT_QUOTES);
    $str = preg_replace("/\&\#.*?\;/i", "", $str);

    return $str;
}

/**
 * 获取列表数据
 * @param $page
 * @param bool $cache
 * @return array|string
 */
function get_lists($page, $cache = false)
{
    // 定义记录在session中的key
    $key = sha1($page);
    $list = array();

    // 获取内容数据
    $html = http_get_content($page, true);

    // 正则匹配出列表数据
    $table = preg_match("/<table(.*)<\/table>/isU", $html, $temp) ? $temp[1] : "";
    if(empty($table)){
        return $table;
    }

    // 正则匹配出链接信息
    $links = preg_match_all ('/<a href=\"(.*?)\".*?>(.*?)<\/a>/i', $table, $matches);
    if ($links && isset($matches[1])){
        // 格式化链接信息
        foreach ($matches[1] as $key => $val){
            $list[$key] = array(
                'url'   => $val,
                'title' => $matches[2][$key]
            );
        }
        // 数据记录到session中
        if(!empty($list) && $cache){
            $_SESSION[$key] = $list;
        }
    }

    return $list;
}

/**
 * 获取网页内容
 * @param $url
 * @param $cache
 * @return mixed|string
 */
function http_get_content($url, $cache = false)
{
    // 定义当前页面请求的cache key
    $key = md5($url);
    // 如果使用cache时只读一次
    if($cache){
        $file_contents = $_SESSION[$key];
        if(!empty($file_contents)) return $file_contents;
    }

    // 通过curl模拟请求页面
    $ch = curl_init();
    // 设置超时时间
    $timeout = 30;
    curl_setopt($ch, CURLOPT_URL, $url);
    // 以下内容模拟来源及代理还有agent,避免被dns加速工具拦截
    curl_setopt($ch, CURLOPT_HTTPHEADER, array('X-FORWARDED-FOR:111.222.333.4', 'CLIENT-IP:111.222.333.4'));
    curl_setopt($ch, CURLOPT_REFERER, "http://www.baidu.com");
    //curl_setopt($ch, CURLOPT_PROXY, "http://111.222.333.4:110");
    curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11");
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
    $file_contents = curl_exec($ch);
    curl_close($ch);

    // 匹配出当前页的charset
    $charset = preg_match("/<meta.+?charset=[^\w]?([-\w]+)/i", $file_contents, $temp) ? strtolower($temp[1]) : "";
    //$title = preg_match("/<title>(.*)<\/title>/isU", $file_contents, $temp) ? $temp[1] : "";

    // 非utf8编码时转码
    if($charset != 'utf-8'){
        $file_contents = iconv(strtoupper($charset), "UTF-8", $file_contents);
    }
    // 将结果记录到session中，方便下次直接读取
    $_SESSION[$key] = $file_contents;

    return $file_contents;
}

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

<?php

// 页面错误配置

ini_set('display_errors', true);

error_reporting(E_ERROR);

set_time_limit(0);

// 开始处启用session

session_start();

// 定义文章目录url

$page = 'http://www.abcsee.net/book/72/72932/';

// 定义保存的文件名，转换为gbk后使在windows系统下显示中文文件名

$output = iconv("UTF-8", "GBK", './我的姥姥是半仙（全文版）.txt');

// 获取当前页数

$p = (int)$_GET['p'];

// 获取目录数据

$list = get_lists($page, true);

// 第一页时创建标题

if($p == 0){

file_put_contents($output, '我的姥姥是半仙（全文版）' . PHP_EOL . PHP_EOL);

}

// 获取当前页的url和title

$url = $list[$p]['url'];

$title = $list[$p]['title'];

// 将指定页面的数据写入txt文件

if(false !== execute_content($page . $url, $title, $output)){

echo "第{$p}页<br><br>{$title}<br><br>数据采集完成！";

$p++;

$time = 1;

header("refresh:{$time};url=tools.php?p={$p}");

exit;

}

echo 'file append error!';

/**

* 生成文件内容

* @param $url

* @param null $title

* @param $output

* @return bool

function execute_content($url, $title = null, $output)

{

// 调用http_get_content获取某页数据

$content = http_get_content($url, true);

// 正则匹配有用的数据

$txt = preg_match('/<dd id=\"contents\">(.*)<\/dd>/isU', $content, $temp) ? $temp[1] : "";

// 删除无用空格

$text = preg_replace("/(\r\n|\n|\r|\t)/i", '', str_replace('0 40px">', '', trim(html2text($txt))));

// 格式化需要输出的数据

$text = PHP_EOL . $title . PHP_EOL . $text . PHP_EOL;

// 写入文件后返回状态

return file_put_contents($output, $text, FILE_APPEND);

}

/**

* html转txt

* @param $str

* @return mixed|string

function html2text($str)

{

$str = preg_replace("/<style .*?<\/style>/is", "", $str);

$str = preg_replace("/<script .*?<\/script>/is", "", $str);

$str = preg_replace("/<br \s*\/?\/>/i", "\n", $str);

$str = preg_replace("/<\/?p>/i", "\n\n", $str);

$str = preg_replace("/<\/?td>/i", "\n", $str);

$str = preg_replace("/<\/?div>/i", "\n", $str);

$str = preg_replace("/<\/?blockquote>/i", "\n", $str);

$str = preg_replace("/<\/?li>/i", "\n", $str);

$str = preg_replace("/\&nbsp\;/i", " ", $str);

$str = preg_replace("/\&nbsp/i", " ", $str);

$str = preg_replace("/\&amp\;/i", "&", $str);

$str = preg_replace("/\&amp/i", "&", $str);

$str = preg_replace("/\&lt\;/i", "<", $str);

$str = preg_replace("/\&lt/i", "<", $str);

$str = preg_replace("/\&ldquo\;/i", '"', $str);

$str = preg_replace("/\&ldquo/i", '"', $str);

$str = preg_replace("/\&lsquo\;/i", "'", $str);

$str = preg_replace("/\&lsquo/i", "'", $str);

$str = preg_replace("/\&rsquo\;/i", "'", $str);

$str = preg_replace("/\&rsquo/i", "'", $str);

$str = preg_replace("/\&gt\;/i", ">", $str);

$str = preg_replace("/\&gt/i", ">", $str);

$str = preg_replace("/\&rdquo\;/i", '"', $str);

$str = preg_replace("/\&rdquo/i", '"', $str);

$str = strip_tags($str);

$str = html_entity_decode($str, ENT_QUOTES);

$str = preg_replace("/\&\#.*?\;/i", "", $str);

return $str;

}

/**

* 获取列表数据

* @param $page

* @param bool $cache

* @return array|string

function get_lists($page, $cache = false)

{

// 定义记录在session中的key

$key = sha1($page);

$list = array();

// 获取内容数据

$html = http_get_content($page, true);

// 正则匹配出列表数据

$table = preg_match("/<table(.*)<\/table>/isU", $html, $temp) ? $temp[1] : "";

if(empty($table)){

return $table;

}

// 正则匹配出链接信息

$links = preg_match_all ('/<a href=\"(.*?)\".*?>(.*?)<\/a>/i', $table, $matches);

if ($links && isset($matches[1])){

// 格式化链接信息

foreach ($matches[1] as $key => $val){

$list[$key] = array(

'url' => $val,

'title' => $matches[2][$key]

);

}

// 数据记录到session中

if(!empty($list) && $cache){

$_SESSION[$key] = $list;

}

return $list;

}

/**

* 获取网页内容

* @param $url

* @param $cache

* @return mixed|string

function http_get_content($url, $cache = false)

{

// 定义当前页面请求的cache key

$key = md5($url);

// 如果使用cache时只读一次

if($cache){

$file_contents = $_SESSION[$key];

if(!empty($file_contents)) return $file_contents;

}

// 通过curl模拟请求页面

$ch = curl_init();

// 设置超时时间

$timeout = 30;

curl_setopt($ch, CURLOPT_URL, $url);

// 以下内容模拟来源及代理还有agent,避免被dns加速工具拦截

curl_setopt($ch, CURLOPT_HTTPHEADER, array('X-FORWARDED-FOR:111.222.333.4', 'CLIENT-IP:111.222.333.4'));

curl_setopt($ch, CURLOPT_REFERER, "http://www.baidu.com");

//curl_setopt($ch, CURLOPT_PROXY, "http://111.222.333.4:110");

curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11");

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

$file_contents = curl_exec($ch);

curl_close($ch);

// 匹配出当前页的charset

$charset = preg_match("/<meta.+?charset=[^\w]?([-\w]+)/i", $file_contents, $temp) ? strtolower($temp[1]) : "";

//$title = preg_match("/<title>(.*)<\/title>/isU", $file_contents, $temp) ? $temp[1] : "";

// 非utf8编码时转码

if($charset != 'utf-8'){

$file_contents = iconv(strtoupper($charset), "UTF-8", $file_contents);

}

// 将结果记录到session中，方便下次直接读取

$_SESSION[$key] = $file_contents;

return $file_contents;

}

发表在 BS架构后台语言 | 标签为 php, 采集器 | 留下评论

标签归档：采集器

用php实现简单的内容采集器

归档

功能