利用PHP制作简单的内容采集器的方法
今天由小编为大家讲解有关语言编程的文章，在课课家共同了解语言编程其中不被重视的技巧相信对大家一定有很大的帮助
php实例教程采集器，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，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“《回到明朝当王爷》”，这就是要提取出来的书名了。提取书名的正则表达式：/(.*?)\\\\<\\\\/span>/is，使用preg_match_all()函数将书名取出：preg_match_all(“/(.*?)\\\\<\\\\/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,$typeid);这样还不够，还需要一个切取函数：
[复制代码] [ – ]PHP代码如下:
| 以下为引用的内容： function cut($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： $start = “Html/Book/”; |
well我从事编程语言统计很多年了，有大量的数据来源包括代码存储库、Q&A讨论、招聘广告、社交媒体情况、教程页面访问、学习视频视图、开发者调查等等。数据发表在不同的时间，都可以被认为是精确的，
也可以被认为是有缺陷的，但是它们可以用于发现行业趋势。最后，不要期望一夜之间就变成一个编码忍者。有些人有一种天然的能力，但也是花了很多很多时间来磨练他们的技能，不断的学习新的技术和技巧。”
在过去三年中 XML 经历了许多反复，所以目前存在不同版本的 Microsoft XML 分析器也不奇怪。Internet Explorer 4.0 包含早期版本的 XML 分析器，它比 XSL、XML 数据或者大多数其他的 XML 技术（并且有完全不同的 DOM 模型）要早。该早期版本的分析器包含在 MSXML.dll 库中。从 MSDN XML 开发人员中心（英文）可将分析器升级到较新的一种。
我们极力建议您升级到新的分析器，因为它要强大得多。Internet Explorer 5.0 包括 MSXML 2.0 分析器，它包含 XSL 和 XML 架构的基本版本。MSXML2 是 SQL Server 2000 附带的分析器版本。MSXML2 包含了许多性能增强的功能，并且在总体上提高了性能和可伸缩性。MSXML3 是当前作为“技术预览”附带的版本。MSXML3 包括 XSLT 和 XPath 支持以及 SAX 接口。
php教程这样，$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：
| 以下为引用的内容： $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( |
#p#分页标题#e#
$array数组就是所有的章节地址了，php视频教程到这里，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。好了，今天就先写到这吧，第一次写这么长的文章，语言组织方面难免有问题，还请大家多包涵！
看完小编的文章是不是很精彩，是不是想要成为编程语言的高手，更多关于在线教育的文章尽在课课家，希望你们多多关注。
