English | 简体中文 | 繁體中文 | Русский язык | Français | Español | Português | Deutsch | 日本語 | 한국어 | Italiano | بالعربية
为什么使用“小偷程序”？
远程抓取文章资讯或商品信息是许多企业要求程序员实现的功能，也就是俗称的小偷程序。其最主要的优点是：解决了公司网编繁重的工作，大大提高了效率。只需要一运行就能快速地抓取他人网站的信息。
“小偷程序”在哪里运行？
“小偷程序”应在Windows下的DOS或Linux下通过PHP命令运行最佳，因为，网页运行会超时。
比如图（以Windows下的DOS为例）：
“小偷程序”的实现
这里主要通过一个实例来讲解，我们来抓取下“华强电子网”的资讯信息，请先看观察这个链接 http://www.hqew.com/info-c10.html，当您打开这个页面时，会发现一些现象：
1、资讯列表有500页（2012-01-03）；
2、每页的URL链接都有规律，比如：第1页为http://www.hqew.com/info-c10-1.html;第2页为http://www.hqew.com/info-c10-2.html;……第500页为http://www.hqew.com/info-c10-500.html;
3、从第二点可以知道，“华强电子网”的信息是伪静态或生成的静态页面
In realtà, la maggior parte dei siti web ha questa regola, ad esempio:中关村在线、慧聪网、新浪、淘宝……。
In questo modo, possiamo realizzare l'estrazione del contenuto della pagina attraverso questo pensiero:
1、Ottieni il contenuto della pagina della lista degli articoli;
2、Ottieni l'indirizzo URL dell'articolo in circolazione in base al contenuto della pagina della lista degli articoli;
3、Ottieni il contenuto dettagliato dell'articolo in base all'indirizzo URL dell'articolo
Qui, estraiamo principalmente le informazioni dalle pagine delle notizie: titolo (title), data di pubblicazione (date), autore (author), origine (source), contenuto (content)
Estrazione delle informazioni dal sito web '华强电子网'.
Prima di tutto, creiamo la struttura della tabella, come segue:
CREATE TABLE `article`.`article` ( `id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY , `title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , `date` VARCHAR( 50 ) NOT NULL , `author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , `source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , `content` TEXT NOT NULL ) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci;
Programma di estrazione:
<?php
/**
* Estrazione delle informazioni dal sito web '华强电子网'.
* autore Lee.
* Ultima modifica $Date: 2012-1-3 15:39:35 $
*/
header('Content-Type:text/html;Charset=utf-8');
$mysqli = new mysqli('localhost', 'root', '1715544', 'article'); # Connessione al database, modificare manualmente le informazioni del proprio database
$mysqli->set_charset('UTF8'); # Imposta la codifica del database
function data($url) {
global $mysqli;
$result = file_get_contents($url); # $result 获取 url 链接内容（注意：这里是文章列表链接）
$pattern = '/<li><span class="box_r">.+<\/span><a href="([^"]+)" title="[#1#]" >.+<\/a><\/li>/Usi'; # 获取文章 url 的匹配正则表达式
preg_match_all($pattern, $result, $arr); # 将文章列表 url 分配给数组 $arr (二维数组)
foreach ($arr[1] as $val) {
$val = 'http://www.hqew.com' . $val; # 真实的文章 url 地址
$re = file_get_contents($val); # $re 为文章 url 的内容
$pa = '/<div id="article">\s+<h1>(.+)<\/h1>\s+<p id="article_extinfo">\s+发布:\s+(.+)\s+\|\s+作者:\s+(.+)\s+\|\s+来源:\s+(.*?)\s+<span style="display:none" >.+<div id="article_body">\s*(.+)\s+<\/div>\s+<\/div><!--article end-->/Usi'; # 获取文章内容的正则表达式
preg_match_all($pa, $re, $array); # 分配获取的内容到数组 $array
$content = trim($array[5][0]);
$con = array;
'title' => mysqlString($array[1][0]),
'date' => mysqlString($array[2][0]),
'author' => mysqlString(stripAuthorTag($array[3][0])),
'source' => mysqlString($array[4][0]),
'content' => mysqlString(stripContentTag($content))
);}}
$sql = "INSERT INTO article(title,date,author,source,content) VALUES ('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')";
$row = $mysqli->query($sql); # Aggiungi al database
if ($row) {
echo 'add success!';
} else {
echo 'add failed!';
}
}
}
/**
* stripOfficeTag($v) Filtra il contenuto dell'articolo, ad esempio: rimuovi i collegamenti, filtra i tag HTML inutili...
* @param string $v
* @return string
*/
function stripContentTag($v){
$v = str_replace('<p> </p>', '', $v);
$v = str_replace('<p />', '', $v);
$v = preg_replace('/<a href=".+" target="\_blank"><strong>(.+)<\/strong><\/a>/Usi', '\1', $v);
$v = preg_replace('%(<span\s*[^>]*>(.*)</span>)%Usi', '\2', $v);
$v = preg_replace('%(\s+class="Mso[^"]+")%si', '', $v);
$v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v);
$v = preg_replace('/<b><\/b>/', '', $v);
return $v;
}
/**
* stripTitleTag($title) Filtra il titolo dell'articolo
* @param string $v
* @return string
*/
function stripAuthorTag($v) {
$v = preg_replace('/<a href=".+" target="\_blank">(.+)<\/a>/Usi', '\1', $v);
return $v;
}
/**
* mysqlString($str) Filtra i dati
* @param string $str
* @return string
*/
function mysqlString($str) {
return addslashes(trim($str));
}
/**
* init($min, $max) Metodo di programma di ingresso, inizia dalla pagina $min e termina alla pagina $max
* @param int $min Partito da 1
* @param int $max
* @return string Restituisce l'indirizzo URL
*/
function init($min=1, $max) {
for ($i=$min; $i<=$max; $i++) {
data("http://www.hqew.com/info-c10-{$i}.html");
}
}
init(1, 500); // Punto di ingresso del programma, inizia dalla prima pagina e cattura fino a 500 pagine
?>
Tramite il programma sopra, è possibile implementare la cattura delle informazioni delle notizie di Huaqiangdianzi.net.
Metodo di ingresso init($min, $max) Se si desidera catturare il contenuto delle pagine 1-500, è sufficiente init(1, 500)！In questo modo, non ci vorrà molto tempo prima che tutte le informazioni di Huaqiangdianzi.net siano catturate nel database. ^_^
Interfaccia di esecuzione:
Database:
Dichiarazione: il contenuto di questo articolo è stato prelevato da Internet, il copyright è della proprietà del rispettivo proprietario, il contenuto è stato contribuito e caricato autonomamente dagli utenti di Internet, il sito web non detiene i diritti di proprietà, non è stato editato manualmente e non assume responsabilità per le relative responsabilità legali. Se trovi contenuti sospetti di violazione del copyright, è gradito inviare una e-mail a: notice#oldtoolbag.com (al momento dell'invio dell'e-mail, sostituisci # con @) per segnalare, fornendo prove pertinenti. Una volta verificata, il sito web eliminerà immediatamente i contenuti sospetti di violazione del copyright.