PHP 实现批量抓取远程页面内容（小偷程序）

为什么使用“小偷程序”？

远程抓取文章资讯或商品信息是很多企业要求程序员实现的功能，也就是俗说的小偷程序。其最主要的优点是：解决了公司网编繁重的工作，大大提高了效率。只需要一运行就能快速的抓取别人网站的信息。

“小偷程序”在哪里运行？

“小偷程序” 应该在 Windows 下的 DOS（参考文章：http://blog.csdn.net/liruxing1715/article/details/7079488） 或 Linux 下通过 PHP 命令运行为最佳，因为，网页运行会超时。

比如图（Windows 下 DOS 为例）：

“小偷程序”的实现

这里主要通过一个实例来讲解，我们来抓取下“华强电子网”的资讯信息，请先看观察这个链接 http://www.hqew.com/info-c10.html，当您打开这个页面的时候发现这个页面会发现一些现象：

1、资讯列表有 500 页（2012-01-03）；

2、每页的 url 链接都有规律，比如：第1页为http://www.hqew.com/info-c10-1.html；第2页为http://www.hqew.com/info-c10-2.html；……第500页为http://www.hqew.com/info-c10-500.html；

3、由第二点就可以知道，“华强电子网” 的资讯是伪静态或者是生成的静态页面

其实，基本上大部分的网站都有这样的规律，比如：中关村在线、慧聪网、新浪、淘宝……。

这样，我们可以通过这样的思路来实现页面内容的抓取：

1、先获取文章列表页内容；

2、根据文章列表页内容循环获取文章的 url 地址；

3、根据文章的 url 地址获取文章的详细内容

这里，我们主要抓取资讯页里面的：标题（title）、发布如期（date）、作者（author）、来源（source）、内容（content）

“华强电子网”资讯抓取

首先，先建数据表结构，如下所示：

CREATE TABLE `article`.`article` (
`id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY ,
`title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`date` VARCHAR( 50 ) NOT NULL ,
`author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`content` TEXT NOT NULL
) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci;

抓取程序：

<?php
/**
* 抓取“华强电子网”资讯程序
* author Lee.
* Last modify $Date: 2012-1-3 15:39:35 $
*/
header('Content-Type:text/html;Charset=utf-8');
$mysqli = new mysqli('localhost', 'root', '1715544', 'article'); # 数据库连接，请手动修改您自己的数据库信息
$mysqli->set_charset('UTF8'); # 设置数据库编码
function data($url) {
	global $mysqli;
	$result = file_get_contents($url); # $result 获取 url 链接内容（注意：这里是文章列表链接）
	$pattern = '/<li><span class="box_r">.+<\/span><a href="([^"]+)"  title=".+" >.+<\/a><\/li>/Usi'; # 取得文章 url 的匹配正则
	preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配给数组$arr(二维数组)
	foreach ($arr[1] as $val) {
		$val = 'http://www.hqew.com' . $val; # 真实文章 url 地址
		$re = file_get_contents($val); # $re 为文章 url 的内容
		$pa = '/<div id="article">\s+<h1>(.+)<\/h1>\s+<p id="article\_extinfo">\s+发布:\s+(.+)\s+\|\s+作者:\s+(.+)\s+\|\s+来源:\s+(.*?)\s+<span style="display:none" >.+<div id="article_body">\s*(.+)\s+<\/div>\s+<\/div><!--article end-->/Usi'; # 取得文章内容的正则
		preg_match_all($pa, $re, $array); # 把取到的内容分配到数组 $array
		$content = trim($array[5][0]); 
		$con = array(
				'title'=>mysqlString($array[1][0]),
		 		'date'=>mysqlString($array[2][0]), 
		 		'author'=>mysqlString(stripAuthorTag($array[3][0])),
				'source'=>mysqlString($array[4][0]), 
				'content'=>mysqlString(stripContentTag($content))
			);
		$sql = "INSERT INTO article(title,date,author,source,content) VALUES ('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')";
		$row = $mysqli->query($sql); # 添加到数据库
		if ($row) {
			echo 'add success!';
		} else {
			echo 'add failed!';
		}
	}
}
/**
 * stripOfficeTag($v) 对文章内容进行过滤，比如：去掉文章中的链接，过滤掉没有的 HTML 标签……
 * @param string $v
 * @return string
 */
function stripContentTag($v){
	$v = str_replace('<p></p>', '', $v);
    $v = str_replace('<p />', '', $v);
    $v = preg_replace('/<a href=".+" target="\_blank"><strong>(.+)<\/strong><\/a>/Usi', '\1', $v);
    $v = preg_replace('%(<span\s*[^>]*>(.*)</span>)%Usi', '\2', $v);
    $v = preg_replace('%(\s+class="Mso[^"]+")%si', '', $v);
    $v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v);
    $v = preg_replace('/<b><\/b>/', '', $v);
    return $v;
}

/**
 * stripTitleTag($title) 对文章标题进行过滤
 * @param string $v
 * @return string
 */
function stripAuthorTag($v) {
	$v = preg_replace('/<a href=".+" target="\_blank">(.+)<\/a>/Usi', '\1', $v);
	return $v;
}

/**
 * mysqlString($str) 过滤数据
 * @param string $str
 * @return string
 */
function mysqlString($str) {
	return addslashes(trim($str));
}

/**
 * init($min, $max) 入口程序方法，从 $min 页开始取，到 $max 页结束
 * @param int $min 从 1 开始
 * @param int $max
 * @return string 返回 URL 地址
 */
function init($min=1, $max) {
	for ($i=$min; $i<=$max; $i++) {
		data("http://www.hqew.com/info-c10-{$i}.html");
	}
}
init(1, 500); #程序入口
?>

通过上面的程序，就可以实现抓取华强电子网的资讯信息。

入口方法 init($min, $max) 如果想抓取 1-500 页面内容，那么 init(1, 500) 即可！这样，用不了多长时间，华强电子网的资讯就会全部抓取到数据库里面了。^_^

执行界面：

数据库：