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www.xxx.com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:

阿里云-推广AD
 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>匹配任何被>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(“http://rss.sina.com.cn/rollnews/news/gn_total.js”,1);
  getinfo(“http://rss.sina.com.cn/rollnews/news/gj_total.js”,2);
  getinfo(“http://rss.sina.com.cn/rollnews/news/sh_total.js”,3);
  getinfo(“http://rss.sina.com.cn/rollnews/sports/sports_total.js”,4);
  getinfo(“http://rss.sina.com.cn/rollnews/tech/tech1_total.js”,5);
  getinfo(“http://rss.sina.com.cn/rollnews/finance/finance1_news_total.js”,6);
  getinfo(“http://rss.sina.com.cn/rollnews/ent/ent_total.js”,7);
  getinfo(“http://rss.sina.com.cn/rollnews/jczs/jczs_total.js”,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 
  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]*?)<!– publish_helper_end –>/”,$newscontent,$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。