php爬取页面的方法总结

最近一直在写关于网络爬虫的东西，有时间把用的知识总结了一下

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

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. file()函数

  

 <?php
    $url="http://www.***.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://www.***.com";
    $lines_string=file_get_contents($url);
    echo htmlspecialchars($lines_string); 

3. fopen()->fread()->fclose()模式

   

<?php
    $url="http://www.***.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:WINDOWSsystem32下；Linux下要安装curl扩展。

 

  <?php
    $url="http://www.***.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 - $errstr<br />
"
    } else {
        fwrite($fp, "
")
        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。