牛骨文教育服务平台(让学习变的简单)

15.2 自定义get方法抓取网页

假设我们使用get方法请求一个网页,得到网页内容后可以匹配出对应的内容。

我们可以使用curl封装一个函数,假设函数名就为get。传入url就能请求指定的网页,将指定网页的HTML代码返回回来。代码如下:

function get($url) {

    //初使化curl
	$ch = curl_init();

    //请求的url,由形参传入
	curl_setopt($ch, CURLOPT_URL, $url);

    //将得到的数据返回
	curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

    //不处理头信息
	curl_setopt($ch, CURLOPT_HEADER, 0);

    //连接超过10秒超时
	curl_setopt($ch, CURLOPT_TIMEOUT, 10);

    //执行curl
	$output = curl_exec($ch);

    //关闭资源
	curl_close($ch);

    //返回内容
	return $output;
}

我们现在使用我们所写的get方法,请求网易的一个列表,将标题和url抓取出来。

我们可以先用get方法中传入一个URL。得到这个网址所对应网页的html。

网址为新媒体观察网的新闻列表页:http://www.xmtnews.com/events

将红色区域采集下来:

一、得到彩红色区间的html
这个区间从下面的HTML代码开始:

<section class="ov">

在以下代码结束:

<div class="hr-10"></div>

使用preg_match写一个正则表达示就匹配就得到了红色区间的HTML。将匹配到的HTML赋值给变量$area。

匹配的正则表达示如下:

<section class="ov">(.*?)<div class="hr-10"></div>/mis"

二、在红色区域匹配标题和标题的URL

我们发现所有的标题都在<h3>标签里面。我们使用preg_match_all写一个正则表达示。

preg_match_all("/<h3><a href="(.*?)" title=".*?" class="headers" target="_blank">(.*?)</a></h3>/mis", $area, $find);

将url和内容匹配出来的内容放置到$find中,将$find数组,打印出来就可以看到匹配的结果了。

如果需要,也可以循环读取显示每一行标题和每一行URL。

全部代码演示如下:

<?php

$content = get("http://www.xmtnews.com/events");

preg_match("/<section class="ov">(.*?)<div class="hr-10"></div>/mis", $content, $match);

//将正则匹配到的内容赋值给$area
$area = $match[1];

preg_match_all("/<h3><a href="(.*?)" title=".*?" class="headers" target="_blank">(.*?)</a></h3>/", $area, $find);


var_dump($find);

function get($url) {

	//初使化curl
	$ch = curl_init();

	//请求的url,由形参传入
	curl_setopt($ch, CURLOPT_URL, $url);

	//将得到的数据返回
	curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

	//不处理头信息
	curl_setopt($ch, CURLOPT_HEADER, 0);

	//连接超过10秒超时
	curl_setopt($ch, CURLOPT_TIMEOUT, 10);

	//执行curl
	$output = curl_exec($ch);

	//关闭资源
	curl_close($ch);

	//返回内容
	return $output;
}