ZH奶酪：PHP抓取网页方法总结

得到数据我们不能直接输出，往往需要对内容进行提取，然后再进行格式化，以更加友好的方式显现出来。
下面先简单说一下本文的主要内容：

一、 PHP抓取页面的主要方法：

1. file()函数
2. file_get_contents()函数
3. fopen()->fread()->fclose()模式 fopen链接:http://www.yiibai.com/manual/php/function.fopen.html
4.curl方式
5. fsockopen()函数 socket模式
6. 使用插件(如：http://sourceforge.net/projects/snoopy/)

二、PHP解析html或xml代码主要方式：

1. 正则表达式
2. PHP DOMDocument对象
3. 插件(如：PHP Simple HTML DOM Parser)

PHP抓取页面
1. file()函数

<?php

$url='http://t.qq.com';

$lines_array=file($url);

$lines_string=implode('',$lines_array);

echo htmlspecialchars($lines_string);

?> 

2. file_get_contents()函数
使用file_get_contents和fopen必须空间开启
allow_url_fopen。

方法：编辑php.ini，设置 allow_url_fopen =
On，allow_url_fopen关闭时fopen和file_get_contents都不能打开远程文件。

<?php

$url='http://t.qq.com';

$lines_string=file_get_contents($url);

echo htmlspecialchars($lines_string);

?> 

3. fopen()->fread()->fclose()模式

<?php

$url='http://t.qq.com';

$handle=fopen($url,"rb");

$lines_string="";

do{

$data=fread($handle,1024);

if(strlen($data)==0){break;}

$lines_string.=$data;

}while(true);

fclose($handle);

echo htmlspecialchars($lines_string);

?> 

4. curl方式
使用curl必须空间开启curl。

方法：

windows下修改php.ini，将
extension=php_curl.dll前面的分号去掉，而且需要拷贝ssleay32.dll和libeay32.dll到C:\WINDOWS
\system32下；

Linux下要安装curl扩展。

<?php

$url='http://t.qq.com';

$ch=curl_init();

$timeout=5;

curl_setopt($ch, CURLOPT_URL, $url);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

$lines_string=curl_exec($ch);

curl_close($ch);

echo htmlspecialchars($lines_string);

?> 

5. fsockopen()函数 socket模式
socket模式能否正确执行，也跟服务器的设置有关系，具体可以通过phpinfo查看服务器开启了哪些通信协议，比如我的本地php socket没开启http，只能使用udp测试一下了。

<?php

$fp = fsockopen("udp://127.0.0.1", 13, $errno, $errstr);

if (!$fp) {

echo "ERROR: $errno - $errstr<br />\n";

} else {

fwrite($fp, "\n");

echo fread($fp, 26);

fclose($fp);

}

?> 

6. 插件
网上应该有比较多的插件，snoopy插件是在网上搜到的，有兴趣的可以研究一下。

PHP解析xml(html)

1. 正则表达式：

<?php

$url='http://t.qq.com';

$lines_string=file_get_contents($url);

eregi('<title>(.*)</title>',$lines_string,$title);

echo htmlspecialchars($title[0]);

?> 

2. PHP DOMDocument()对象
如果远程的html或xml存在语法错误，php在解析dom的时候会报错。( 关于loadHTMLFile的问题,在我整理的前几篇blog中有提到. )

<?php

$url='http://www.136web.cn';

$html=new DOMDocument();

$html->loadHTMLFile($url);

$title=$html->getElementsByTagName('title');

echo $title->item(0)->nodeValue;

?> 

3. 插件
本文以PHP Simple HTML DOM Parser为例，进行简单介绍，simple_html_dom的语法类似jQuery，它让php操作dom，就像使用jQuery操作dom一样的简单。

<?php

$url='http://t.qq.com';

include_once('../simplehtmldom/simple_html_dom.php');

$html=file_get_html($url);

$title=$html->find('title');

echo $title[0]->plaintext;

?>