PHP扩展curl和正则表达式轻松采集新闻

网络整理 - 08-25

采集已经不是什么新名词了，很多站长为了省事，也局限于人力的缺乏，使用程序来给自己的网站添砖加瓦，比如本人的个人网站也采集了大量的新闻，那么如果实现呢?今天我们运用php来实现这个功能。

　　谈到采集，我们不得不说两个东西，第一个是如何获取远程网站的源代码，这个可以通过php的一个扩展curl来获取，另一个是如果去匹配你需要的信息，这个的解决办法是正则表达式。

　　Windows下开启curl的方法如下：

　　1、拷贝PHP目录中的libeay32.dll， ssleay32.dll， php5ts.dll， php_curl.dll文件到 system32 目录。

　　2、修改php.ini：配置好 extension_dir ，去掉 extension = php_curl.dll 前面的分号。

　　3、重起apache。

　　Linux下开启curl的方法如下：

　　进入安装原php 的源码目录，

　　cd ext

　　cd curl

　　phpize

　　./configure --with-curl =DIR

　　make

　　就会在PHPDIR/ext/curl /moudles/下生成curl .so的文件。

　　复制curl .so文件到extensions的配置目录，修改php .ini就好了。

　　然后你就可以利用curl来获取到指定url的网页源码了，这里给大家一个封装好的函数：

以下为引用的内容：
function getwebcontent($url){
    $ch = curl_init();
    $timeout = 10;
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
    curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1);
    $contents = trim(curl_exec($ch));
    curl_close($ch);
    return $contents;
}

　　接下来就应该说到php中的正则表达式了：

　　1.中括号

　　[0-9]匹配0-9

　　[a-z]匹配a-z小写字母

　　[A-Z]匹配A-Z大写字母

　　[a-zA-Z]匹配所有大小写字母

　　可以使用ascii来制定更多

　　2.量词

以下为引用的内容：
p+匹配至少一个含p的字符串
p*陪陪任何包含0个或多个p的字符串
p?匹配任何包含0个或一个p的字符串
p{2}匹配包含2个p的序列的字符串
p{2,3}匹配任何包含2个或3个的字符串
p$匹配任何以p结尾的字符串
^p匹配任何以p开头的字符串
[^a-zA-Z]匹配任何不包含a-zA-Z的字符串
p.p匹配任何包含p、接下来是任何字符、再接下来有又是p的字符串
^.{2}$匹配任何值包含2个字符的字符串
<b>(.*)b>匹配任何被<b>>包围的字符串
p(hp)*匹配任何一个包含p,后面是多个或0个hp的字符串

3.预定义字符范围

以下为引用的内容：
[:alpha:]同[a-zA-Z]
[:alnum:]同[a-zA-Z0-9]
[:cntrl:]匹配控制字符，比如制表符，反斜杠，退格符
[:digit:]同[0-9]
[:graph:]所有ASCII33~166范围内可以打印的字符
[:lower:]同[a-z]
[:punct:]标点符号
[:upper:]同[A-Z]
[:space:]空白字符，可以是空格、水平制表符、换行、换页、回车
[:xdigit:]十六进制符同[a-fA-F0-9]

废话不多说，直接上我的源码吧，有什么不懂的可以上百度查查。

以下为引用的内容：
<?php
header("Content-type: text/html; charset=utf-8");
getinfo("",1);
getinfo("",2);
getinfo("",3);
getinfo("",4);
getinfo("",5);
getinfo("",6);
getinfo("",7);
getinfo("",8);
function getinfo($infourl,$catid)
{
    $pagecontent=getwebcontent($infourl);
    preg_match_all("/title:"(.*?)"/", $pagecontent, $match);
    $titlearr=$match[1];
    preg_match_all("/link:"(.*?)"/", $pagecontent, $match);
    $urlarr=$match[1];
    for ($i=1;$i<count($urlarr);$i++){
        echo "go {$titlearr[$i-1]}n";
        $title=iconv("gbk","utf-8",$titlearr[$i-1]);
        $content=iconv("gbk","utf-8",getnewscontent($urlarr[$i]));
        $content=mysql_escape_string($content);
        if(!insertdb($title,$content,$catid)) break;
    }
}
function insertdb($title,$content,$catid){
    将数据写入你的库
}
function getnewscontent($newsurl){
    $newscontent=getwebcontent($newsurl);
    preg_match_all("/<div class="blkContainerSblkCon" id="artibody">([sS]*?)/",$newscontent,$match);
    $content=preg_replace("/<a.*?</a>/si","",$match[1][0]);
    $content=preg_replace("/<div style="overflow:hidden;zoom:1;" class="otherContent_01">.*?</div>/si","",$content);
    $content=preg_replace("/<div class="blk-video">.*?<div class="clearcl"></div>/si","",$content);
    $content=str_replace("<div style="clear:both;height:0;visibility:hiddden;overflow:hidden;"></div>","",$content);
    return $content;
}
function getwebcontent($url){
    $ch = curl_init();
    $timeout = 10;
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
    curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, 1);
    $contents = trim(curl_exec($ch));
    curl_close($ch);
    return $contents;
}
?>

　　然后如何实现比较实时的同步呢，这可以利用windows下的任务计划或linux下的crontab 了，定时(比如十分钟)执行这个程序，这样，你就不再愁网站没有内容了，哈哈，另外本人开了个工作室(北京建站)，我们开发了一个系统，不仅能够采集信息，而且能自动地进行再加工，进行伪原创，这样就更符合搜索引擎的品味了，让你的网站疯狂地被收录吧，另外可以加我的Q376504340讨论技术性话题