当前位置:首页> PHP教程> PHP精通
关键字
文章内容
采集的实现
 
 
修改时间:[2012/07/03 10:34]    阅读次数:[646]    发表者:[起缘]
 

一般是本机运行,放到空间上是不明智的,因为不但很耗资源还需要支持远程抓取函数,比如file_get_contents($urls)file($url)等.
1,文章列表页面的自动切换,以及文章路径的获得.
2,获得:标题,内容
3,入库
4,问题
1,文章列表页面的自动切换,以及文章路径的获得.
a,列表页面的自动切换一般依赖动态页面来实现.比如

<? 
//2004-11-22 
//$e=clinchgeturl("[url]im286.com/forumdisplay.php?fid=1");[/url] 
//var_dump($e); 
function clinchgeturl($url) 
{ 
    //$url="[url]127.0.0.1/1.htm";[/url] 
    //$rootpath="[url]fsrootpathfsfsf/yyyyyy/";[/url] 
    //var_dump($rrr); 
    if(eregi('(.)*[\.](.)*', $url)) 
    { 
        $roopath = split("\/", $url); 
        $rootpath = "[url]"[/url].$roopath[2]."/"; 
        $nnn = count($roopath) - 1; 
        for($yu = 3; $yu < $nnn; $yu++) 
        { 
            $rootpath. = $roopath[$yu]."/"; 
        } 
        // var_dump($rootpath); //http: ,'',127.0.0.1,xnml,index.php 
    } 
    else
    { 
        $rootpath = $url; //var_dump($rootpath); 
    } 
    if(isset($url)) 
    { 
        echo "$url 有下列裢接:<br>"; 
        $fcontents = file($url); 
        while(list(, $line) = each($fcontents)) 
        { 
            while(eregi('(href[[:space:]]*=[[:space:]]*"?[[:alnum:]:@/._-]+[\?]?[^\"]*"?)', $line, $regs)) 
            { 
                //$regs[1] = eregi_replace('(href[[:space:]]*=[[:space:]]*\"?)([[:alnum:]:@/._-]+)(\"?)',"\\2",$regs[1]); 
                $regs[1] = eregi_replace('(href[[:space:]]*=[[:space:]]*[\"]?)([[:alnum:]:@/._-]+[\?]?[^\"]*)(\.*)[^\"\/]*([\"]?)', "\\2", $regs[1]); 
                if(!eregi('^http:\/\/', $regs[1])) 
                { 
                    f(eregi('^\.\.', $regs[1])) 
                    { 
                        //$roopath=eregi_replace('(http:\/\/)?([[:alnum:]:@/._-]+)[[:alnum:]+](\.*)[[:alnum:]+]',"http:\/\/\\2",$url); 
                        $roopath = split("\/", $rootpath); 
                        $rootpath = "[url]"">http://www.im286.com/foru[/url] ... d=1&page=$i 
...... 
?>

可以在后面利用$i的自动增加或范围来实现,比如$i++;
也可以像penzi演示的那个一样,要从第几页到第几页,代码方面控制$i的范围就可以.
b,文章路径的获得分需要填正则和无需填正则2种:
1)无需填正则就是获得上面的文章列表页面的所有连接
  但是最好对连接进行过滤,处理---判断重复连接,只留一个,处理相对路径,变成绝对路径.比如../ 和./等.
以下是我写的乱七八糟的实现函数:
PHP:
--------------------------------------------------------------------------------

<? 
//2004-11-22 clinch 
//$e=clinchgeturl("[url]test.com/forumdisplay.php?fid=1");[/url] 
//var_dump($e); 
function clinchgeturl($url) 
{ 
    //$url="[url]127.0.0.1/1.htm";[/url] 
    //$rootpath="[url]fsrootpathfsfsf/yyyyyy/";[/url] 
    //var_dump($rrr); 
    if(eregi('(.)*[\.](.)*', $url)) 
    { 
        $roopath = split("\/", $url); 
        $rootpath = "[url]"[/url].$roopath[2]."/"; 
        $nnn = count($roopath) - 1; 
        for($yu = 3; $yu < $nnn; $yu++) 
        { 
            $rootpath. = $roopath[$yu]."/"; 
        } 
        // var_dump($rootpath); //http: ,'',127.0.0.1,xnml,index.php 
    } 
    else
    { 
        $rootpath = $url; //var_dump($rootpath); 
    } 
    if(isset($url)) 
    { 
        echo "$url 有下列裢接:<br>"; 
        $fcontents = file($url); 
        while(list(, $line) = each($fcontents)) 
        { 
            while(eregi('(href[[:space:]]*=[[:space:]]*"?[[:alnum:]:@/._-]+[\?]?[^\"]*"?)', $line, $regs)) 
            { 
                //$regs[1] = eregi_replace('(href[[:space:]]*=[[:space:]]*\"?)([[:alnum:]:@/._-]+)(\"?)',"\\2",$regs[1]); 
                $regs[1] = eregi_replace('(href[[:space:]]*=[[:space:]]*[\"]?)([[:alnum:]:@/._-]+[\?]?[^\"]*)(\.*)[^\"\/]*([\"]?)', "\\2", $regs[1]); 
                if(!eregi('^http:\/\/', $regs[1])) 
                { 
                    f(eregi('^\.\.', $regs[1])) 
                    { 
                        //$roopath=eregi_replace('(http:\/\/)?([[:alnum:]:@/._-]+)[[:alnum:]+](\.*)[[:alnum:]+]',"http:\/\/\\2",$url); 
                        $roopath = split("\/", $rootpath); 
                        $rootpath = "[url]".$roopath[2]."/"; 
                        //echo "这是根本d :"."\n"; 
                        $nnn = count($roopath) - 1; 
                        for($yu = 3; $yu < $nnn; $yu++) 
                        { 
                            $rootpath. = $roopath[$yu]."/"; 
                        } 
                        //var_dump($rootpath); 
                        f(eregi('^\.\.[\/[:alnum:]]', $regs[1])) 
                        { 
                            //echo "这是../目录/ :"."\n"; 
                            //$regs[1]="../xx/xxxxxx.xx"; 
                            // $rr=split("\/",$regs[1]); 
                            //for($oooi=1;$oooi<count($rr);$oooi++) 
                            $rrr = $regs[1]; 
                            //{$rrr.="/".$rr[$oooi]; 
                            $rrr = eregi_replace("^[\.][\.][\/]", '', $rrr); //} 
                            $regs[1] = $rootpath.$rrr; 
                        } 
                    } 
                    else
                    { 
                        if(eregi('^[[:alnum:]]', $regs[1])) 
                        { 
                            $regs[1] = $rootpath.$regs[1]; 
                        } 
                        else
                        { 
                            $regs[1] = eregi_replace("^[\/]", '', $regs[1]); 
                            $regs[1] = $rootpath.$regs[1]; 
                        } 
                    } 
   
                } 
                $line = $regs[2]; 
                if(eregi('(.)*[\.](htm|shtm|html|asp|aspx|php|jsp|cgi)(.)*', $regs[1])) 
                { 
                    $out[0][] = $regs[1]; 
                } 
            } 
        } 
    } 
    for ($ouou = 0; $ouou < count($out[0]); $ouou++) 
    { 
        if($out[0][$ouou] == $out[0][$ouou+1]) 
        { 
            $sameurlsum = 1; 
            //echo "sameurlsum=1:"; 
            for($sameurl = 1; $sameurl < count($out[0]); $sameurl++) 
            { 
                if($out[0][$ouou+$sameurl] == $out[0][$ouou+$sameurl+1]) 
                { 
                    $sameurlsum++; 
                } 
                else
                { 
                    break; 
                } 
            } 
            for($p = $ouou; $p < count($out[0]); $p++) 
            { 
                $out[0][$p] = $out[0][$p+$sameurlsum]; 
            } 
        } 
    } 
    $i = 0; 
    while($out[0][++$i]) 
    { 
        //echo $root.$out[0][$i]."\r\n"; 
        $outed[0][$i] = $out[0][$i]; 
    } 
    unset($out); 
    $out = $outed; 
    return $out; 
} 
? >

上面的东西只能zend,不然有碍市容:(
得到所有唯一的连接后,放到数组
2)需要填正则的处理
如果要准确地获得需要的文章连接,就用这个办法
按照ketle的思路

PHP:
--------------------------------------------------------------------------------

<? php 
function cut($file, $from, $end) 
{ 
    $message = explode($from, $file); 
    $message = explode($end, $message[1]); 
    return $message[0]; 
} 
? >

$from是列表前面的html代码
$end是列表后面的html代码
以上可以通过表单提交参数.
对列表页面不是列表的部分去除,剩下的是需要的连接,
只要再通过下面正则得到:
PHP:
--------------------------------------------------------------------------------

<? php 
function getUrl($matches) 
{ 
    preg_match("/^(http:\/\/)?(.*)/i", $url, $matches); 
    return $matches[2]; 
} 
? >

2,获得:标题,内容
a首先,利用得到的文章路径,读取目标路径
可以通过以下函数:
PHP:
--------------------------------------------------------------------------------

<? php 
function getcontent($url) 
{ 
    f($handle = fopen ($url, "rb")) 
    { 
        $contents = ""; 
        do
        { 
            $data = fread($handle, 2048); 
            f (strlen($data) == 0) 
            { 
                reak; 
            } 
            $contents . = $data; 
        } 
        while(true); 
        fclose ($handle); 
    } 
    else
        exit("........"); 
    return $contents; 
} 
? >

或者直接
PHP:
--------------------------------------------------------------------------------
file_get_contents($urls);
后者比较方便,但是缺点对比上面的就知道.
b,接下来得到标题:
一般用这个实现:
PHP:
--------------------------------------------------------------------------------

preg_match("|<TITLE>(.*)</TITLE>|",$allcontent,$title);

里面的<TITLE>(.*)</TITLE>部分通过提交表单得到.
也可以通过一系列的cut函数
比如上面提过的function cut($file,$from,$end),具体的字符串切割可以通过字符处理函数切割实现,后面"取得内容"详细讲.
c,取得内容
取得内容方面和取得标题思路一样但情况比较复杂,因为内容附近不会是<title></title>这么简单.
1)内容附近的特征字符串有双引号,空格,换行符号等是大障碍
双引号需要变成 \"  可以通过addslashes()处理
换行符号要去掉 可以通过
PHP:
--------------------------------------------------------------------------------

$a=ereg_replace("\n", '', $a); 
$a=ereg_replace("\r", '', $a);

去掉回车换行
2)思路2,用一大堆切割相关的函数对内容提取,需要大量的实践,调试,我正在弄这里,没有获得什么突破
3,入库
a,切保你的数据库可以插入
比如我的可以这样直接插入:
PHP:
--------------------------------------------------------------------------------

$sql="INSERT INTO $articles VALUES ('', '$title', '', '$article','', '', 'clinch', 'from', '关键词', 1, '$栏目id', '$time', 1);\r\n\r\n";

其中
PHP:
--------------------------------------------------------------------------------
'',是自动升序的文章id,要确定升序的字段只有一个,比如pa是标题一个表,一个索引,内容一个表一个索引,两表的自动升序的字段要实时判断的,要插入比较麻烦,被认为"不可插"
b,sql文本导出
我的思路是:
在函数里return
PHP:
--------------------------------------------------------------------------------

$sql = "INSERT INTO article_articles VALUES ('', '$title', '', '$body','', '', 'clinch', 'sohu', 'php', 1, '#clinchall#', '$time', 1);

然后不断积累查询语句内容,最后
PHP:
--------------------------------------------------------------------------------

$fname="what_"."_page".$i.".sql"; 
$fp = fopen("data/$f", 'w'); 
if(fputs($fp, $sql)) 
echo "file successfully write"; 
fclose($fp);

根据前面的思路,非常不错
PHP:
--------------------------------------------------------------------------------

if(!empty($r_article) AND !empty($r_title)) 
{ 
    $time = time(); 
    $r_title = addslashes(trim($r_title)); 
    $r_article = addslashes($r_article); 
    $get_sql = "INSERT INTO article_articles VALUES ('', '$r_title', '', '$r_article','', '', '', 'sohu', '', 1, '', '$time', 1);\r\n\r\n"; 
    if(file_exists("xingfu_".$_SESSION['p'].".sql")) 
    { 
        if(filesize("xingfu_".$_SESSION['p'].".sql") > $mysize) 
        { 
            $_SESSION['p']++; 
        } 
    } 
    $fp = fopen("xingfu_".$_SESSION['p'].".sql", 'a'); 
    fwrite($fp, $get_sql); 
    fclose($fp); 
}

先判断是否得到标题和内容,然后生成sql语句放到文本中,还可以判断大小分页生成.
c.直接入库(入mysql)
找个db_mysql类后
直接
PHP:
--------------------------------------------------------------------------------

$DB->query("INSERT INTO `xxx` ( `xx` , `title` , `texts` , `sortid` ) VALUES ('', '".addslashes($title)."', '".addslashes($text)."', '".$mm."')");

4,问题
a,其实采集大多需要具体问题具体分析,想做通用的很难.
换句话说,要做到让不懂正则的人随便采集,那可需要高手的后台实现.
b,最大问题是内容切割部分,因为html代码具体情况很复杂,需要调试多次.希望有人做出个类来.
c,当切不到时处理不好会中断,注意容错.用SESSION控制可以避免很多麻烦.当 timeout的时候,刷新下就ok了.延长脚本运行时间可以@set_time_limit(0)

 
 
 
 

威尼斯人唯一官网