用php写的简单采集器
欢迎进入Linux社区论坛，与200万技术人员互动交流 >>进入 通常我们所说的采集器又叫做小偷程序，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
欢迎进入Linux社区论坛，与200万技术人员互动交流 >>进入
通常我们所说的采集器又叫做小偷程序，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《**********》为目标，先打开书目页，
多打开几本书会发现，书名的基本格式是书号/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$_POST['number']这种格式来接收需要采集的书号了。接收到书号，下面要做的就是构造书目页，当然这里是举个例子，主要是为了讲解方便，实际制作的时候最好检查一下$_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：/（。*?）\/is,使用preg_match_all（）函数将书名取出：preg_match_all（“/（。*?）\/is”,$contents,$title）；这样$title[0][0]的内容就是我们要的标题了（preg_match_all函数的用法可以去百度查，这里就不详细说明了）。取出了书籍信息，接下来就是取章节内容了，要取章节内容，首先要做的就是找到每一章的地址，然后远程打开章节，用正则将内容取出来，入库或者直接生成html静态文件。可以看出这个和书目页一样，是有规律可寻的。书号前面已经取得，这里的关键是找到分类号，分类号可以在前面的书目页找到，提取分类号：
preg_match_all（“/Html\/Book\/[0-9]{1,}\/[0-9]{1,}\/List\.shtm/is”,$contents,$typeid）；这样还不够，还需要一个切取函数：
PHP代码如下：
function cut（$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/”;
$end = “List.shtm”;
$typeid = cut（$typeid[0][0],$start,$end）；
$typeid = explode（“/”,$typeid）；
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 = /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：
$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,$url）；
//取标题，例如：第一章 九世善人
preg_match_all（“//is”,$file,$title）；
$count = count（$url[0]）；
for（$i=0;$i
{
$u = cut（$url[0][$i],$ustart,$uend）；
$t = cut（$title[0][$i],$tstart,$tend）；
$array[$u] = $t;
}
$array数组就是所有的章节地址了，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。