- 相關推薦
PHP可以靈活配置使用的采集器
PHP可以靈活配置使用的采集器？就跟隨百分網小編一起去了解下吧，想了解更多相關信息請持續關注我們應屆畢業生考試網!
代碼：
<?php
/**
* 可以靈活配置使用的采集器
* 作者：Rain
* 創建時間：2015-02-03 15:17:30
* 版本信息：V1.0
*/
///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
//數據庫的相關配置信息,請根據您的數據庫信息進行配置
define('DB_HOST', 'localhost');
define('DB_USER', 'root');
define('DB_PWD', 'test123456');
define('DB_NAME', 'test_dbname');
define('DB_CHARSET', 'utf8');
define('TABLE_NAME', 'tb_book');
//end
//網站信息相關的配置,請根據具體需要采集的網站內容信息進行配置
define('WEB_CHARSET', 'gbk');
//變動的參數，使用%d進行替換,只支持數值形式的變動
define('WEB_LIST_URL', 'http://www.pcbookcn.com/book/1_%d.htm');
//分頁的條數
define('PAGE_COUNT', 14);
//從哪個頁面開始抓取
define('PAGE_START', 1);
//內容頁的URL,使用正則模式,必須包含/,例如：/\/xuefu2008\/article\/details\/(\d)+/i
define('WEB_CONTENT_URL_REG', '/\/book\/(\d)+\.htm/i');
//網站域名HOST信息,不包含末尾的/，例如：http://blog.csdn.net
define('WEB_HOST', 'http://www.pcbookcn.com');
//列表頁內容的精準定位，用來大致抓取一個列表頁的內容顯示模塊位置，使用正則進行定位
define('WEB_LIST_POSTION', '/book_name\.gif(.*?)<td\swidth="15\%"\snowrap>/i');
//end
//微調參數，通常不修改也不會影響您的正常使用
define('SLEEP_TIME', 1);
define('IS_DEBUG', false);
define('INSERT_DB', true);
//內容的輸出速度，單位：秒
define('OUTPUT_SPEED', 1);
//end
//需要過濾刪除的文字,根據采集的網站類型進行設置,不區分大小寫
$text_filter = array(
'- 中華電腦書庫' => '',
'_電腦電子書' => '',
'_電腦書籍' => '',
'下載' => '',
);
//表結構映射的配置
$table_mapping = array(
//表字段名稱 => 獲取該字段的正則表達式,非空字段都必須在此設置映射關系，常量值請直接填寫具體對應的值，無需使用正則
'size' => '/軟件大小.*?000000>(.*?)<\/font>/i',
'logo' => 'http://www.94cto.com/index/uploads/images/20150105/0b8461910de101cc51a07684cdab797e.jpg',
'field1' => '/<title>(.*?)<\/title>/i',
'field2' => '/軟件簡介.*?000000>(.*?)<\/font>/i',
'field3' => '1',
'field4' => '1',
'field5' => '1',
'field6' => '電子書,計算機,圖像,圖形',
'platform' => 'window/Linux',
'ishot' => '1',
'agreement' => '免費',
'downurl' => '/(\/down\.asp\?id=.*?)"/i',
'istop' => '1',
);
///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
$ga = new Gather();
$ga->run();
class Gather
{
public function __construct()
{
$this->init_check();
}
public function run()
{
global $table_mapping, $text_filter;
for ($page = PAGE_START; $page <= PAGE_COUNT; $page++)
{
$this->write('開始采集列表第'.$page.'頁的內容...');
$list_content = $this->get(sprintf(WEB_LIST_URL, $page));
if (empty($list_content))
{
$this->write('抓取的列表頁的內容為空，所以過濾掉');
continue;
}
$list_content = str_replace("\r", '', $list_content);
$list_content = str_replace("\n", '', $list_content);
//精準定位要抓取的模塊內容
if (!preg_match(WEB_LIST_POSTION, $list_content, $list_search))
{
$this->write('精準匹配列表頁的內容失敗，所以過濾掉');
continue;
}
if (isset($list_search[1]))
$list_content = $list_search[1];
else
$list_content = $list_search[0];
//end
preg_match_all(WEB_CONTENT_URL_REG, $list_content, $match);
if (is_array($match[0]) && !empty($match[0]))
{
$this->write('當前的列表頁面，總共匹配到：'.count($match[0]).'個內容頁');
foreach ($match[0] as $val)
{
if (strpos($val, 'http:') === false)
{
if (substr($val, 0, 1) == '/')
$val = WEB_HOST.$val;
else
$val = WEB_HOST.'/'.$val;
}
$web_content = $this->get($val);
if (empty($web_content))
{
$this->write('抓取的內容頁為空,所以過濾掉');
continue;
}
$web_content = str_replace("\r", '', $web_content);
$web_content = str_replace("\n", '【】', $web_content);
$sql = "INSERT INTO ".TABLE_NAME."(".implode(', ', array_keys($table_mapping)).")VALUES(";
foreach ($table_mapping as $field => $reg)
$sql .= ':'.$field.',';
$sql = substr($sql ,0, -1);
$sql .= ')';
if (IS_DEBUG)
$this->write('執行SQL '.$sql);
$dsn = 'mysql:dbname='.DB_NAME.';host='.DB_HOST;
try {
$dbh = new PDO($dsn, DB_USER, DB_PWD);
} catch (PDOException $e) {
$this->write( 'Connection failed: ' . $e->getMessage(), true);
}
$dbh->query("set names 'utf8'");
$sth = $dbh->prepare($sql);
foreach ($table_mapping as $field => $reg)
{
if (substr($reg, 0, 1) != '/')
{
$$field = $reg;
}
else
{
if (!preg_match($reg, $web_content, $tmp_match))
{
$this->write('對不起,匹配字段：'.$field.'失敗，過濾此記錄');
continue 2;
}
$$field = $tmp_match[1];
$$field = $this->closetags($$field);
//刪除javascript腳本
$$field = preg_replace('/<script(.*?)>(.*?)<\/script>/i', '', $$field);
//將鏈接刪除
$$field = preg_replace('/<a(.*?)>(.*?)<\/a>/i', '${2}', $$field);
//圖片鏈接地址絕對地址化
preg_match_all('/<img.*?src=("|\')+(.*?)("|\')+.*?>/i', $$field, $img_match);
if (isset($img_match[2]) && is_array($img_match[2]) && !empty($img_match[2]))
{
foreach ($img_match[2] as $img_val)
{
if (strpos($img_val, 'http:') === false)
{
$new_val = $img_val;
if (substr($new_val, 0, 1) != '/')
$new_val = '/'.$img_val;
$new_val = WEB_HOST.$new_val;
$$field = str_replace($img_val, $new_val, $$field);
}
}
}
//end
//針對HTML里面的pre的換行先做一個特殊處理
$$field = preg_replace('/<pre.*?>(.*?)<\/pre>/i', '<pre class="prettyprint">${1}</pre>', $$field);
preg_match_all('/<pre>(.*?)<\/pre>/i', $$field, $pre_match);
if (isset($pre_match[1]) && is_array($pre_match[1]) && !empty($pre_match[1]))
{
foreach ($pre_match[1] as $pre_val)
$$field = str_replace($pre_val, str_replace("【】", "\r\n", $pre_val), $$field);
}
//end
}
//入庫之前，將對應的換行符號都還原回來
$$field = str_replace('【】', "\r\n", $$field);
//文本的過濾和替換操作
if (is_array($text_filter) && !empty($text_filter))
{
foreach ($text_filter as $tk => $tv)
$$field = str_ireplace($tk, $tv, $$field);
}
if (IS_DEBUG)
$this->write('*'."\t".'字段：'.$field.' 值：'."\n****************************************************\n".$$field."\n****************************************************");
if ('downurl' == $field && stripos($$field, 'http:') === false)
if (substr($$field, 0, 1) == '/')
$$field = WEB_HOST.trim($$field);
else
$$field = WEB_HOST.'/'.trim($$field);
$sth->bindValue(':'.$field, trim($$field));
}
if (INSERT_DB)
$sth->execute();
$sth->closeCursor();
$this->write( '休息，暫停'.SLEEP_TIME.'秒后繼續抓取...');
sleep(SLEEP_TIME);
}
}
else
{
$this->write('列表頁面沒有抓取到內容，所以過濾掉');
}
}
$this->write('', true);
}
protected function closetags($html)
{
// 不需要補全的標簽
$arr_single_tags = array('meta', 'img', 'br', 'link', 'area');
// 匹配開始標簽
preg_match_all('#<([a-z]+)(?: .*)?(?<![/|/ ])>#iU', $html, $result);
$openedtags = $result[1];
// 匹配關閉標簽
preg_match_all('#</([a-z]+)>#iU', $html, $result);
$closedtags = $result[1];
// 計算關閉開啟標簽數量，如果相同就返回html數據
$len_opened = count($openedtags);
if (count($closedtags) == $len_opened) {
return $html;
}
// 把排序數組，將最后一個開啟的標簽放在最前面
$openedtags = array_reverse($openedtags);
// 遍歷開啟標簽數組
for ($i = 0; $i < $len_opened; $i++) {
// 如果需要補全的標簽
if (!in_array($openedtags[$i], $arr_single_tags)) {
// 如果這個標簽不在關閉的標簽中
if (!in_array($openedtags[$i], $closedtags)) {
// 直接補全閉合標簽
$html .= '</' . $openedtags[$i] . '>';
} else {
unset($closedtags[array_search($openedtags[$i], $closedtags)]);
}
}
}
return $html;
}
protected function init_check()
{
if (!$this->check_curl_support())
$this->write('對不起，請先開啟CURL的類庫的支持，否則無法執行', true);
$this->check_mysql_connect();
$this->write('程序初始化檢查通過,執行后續的流程...');
}
private function get($url, $data = array())
{
$this->write('開始執行抓取: '.$url);
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
//curl_setopt($ch, CURLOPT_USERAGENT, "Baiduspider+(+http://www.baidu.com/search/spider.htm)");
curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)");
curl_setopt($ch, CURLOPT_HEADER, 0);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_HTTPHEADER, $data);
$ret = curl_exec($ch);
$error = curl_error($ch);
curl_close($ch);
unset($ch);
if (!empty($error))
{
$this->write('程序抓取URL: '.$url.'發生錯誤，錯誤信息: '.$error);
return false;
}
if (WEB_CHARSET != 'utf-8')
$ret = iconv(WEB_CHARSET, 'utf-8', $ret);
return $ret;
}
//when check finish,mysql connect will auto close
private function check_mysql_connect()
【PHP可以靈活配置使用的采集器】相關文章：
php學習之php配置07-15
PHP基礎配置09-25
PHP安裝與配置09-09
PHP socket的配置及實例10-16
如何配置php環境07-16
php環境怎么配置09-24
編譯php的配置參數實10-25
如何配置PHP開發環境07-21
PHP配置文件詳解php.ini10-19