我們在開發(fā)網(wǎng)絡(luò)程序時(shí)矢腻，往往需要抓取非本地文件门驾，一般情況下都是利用php模擬瀏覽器的訪問，通過http請求訪問url地址多柑， 然后得到html源代碼或者xml數(shù)據(jù)奶是，得到數(shù)據(jù)我們不能直接輸出，往往需要對內(nèi)容進(jìn)行提取，然后再進(jìn)行格式化聂沙，以更加友好的方式顯現(xiàn)出來秆麸。
下面簡單說一下php抓取頁面的幾種方法及原理:
一、 PHP抓取頁面的主要方法：
1. file()函數(shù)
2. file_get_contents()函數(shù)
3. fopen()->fread()->fclose()模式
4.curl方式
5. fsockopen()函數(shù) socket模式
6. 使用插件snoopy插件
7.phpQuery插件
二及汉、PHP解析html或xml代碼主要方式：
1. file()函數(shù)
<?php
//定義url
$url='http://www.zhosoft.com';
//fiel函數(shù)讀取內(nèi)容數(shù)組
$lines_array=file($url);
//拆分?jǐn)?shù)組為字符串
$lines_string=implode('',$lines_array);
//輸出內(nèi)容沮趣，嘿嘿，大家也可以保存在自己的服務(wù)器上
echo $lines_string;
?>
2. file_get_contents()函數(shù)
使用file_get_contents和fopen必須空間開啟allow_url_fopen坷随。方法：編輯php.ini房铭，設(shè)置 allow_url_fopen = On，allow_url_fopen關(guān)閉時(shí)fopen和file_get_contents都不能打開遠(yuǎn)程文件温眉。
<?php
//定義url
$url='http://www.zhosoft.com';
//file_get_contents函數(shù)遠(yuǎn)程讀取數(shù)據(jù)
$lines_string=file_get_contents($url);
//輸出內(nèi)容缸匪，嘿嘿，大家也可以保存在自己的服務(wù)器上
echo htmlspecialchars($lines_string);
?>
3. fopen()->fread()->fclose()模式
<?php
//定義url
$url='http://www.zhosoft.com';
//fopen以二進(jìn)制方式打開
$handle=fopen($url,"rb");
//變量初始化
$lines_string="";
//循環(huán)讀取數(shù)據(jù)
do{
$data=fread($handle,1024);
if(strlen($data)==0)?{
break;
}
$lines_string.=$data;
}while(true);
//關(guān)閉fopen句柄芍殖，釋放資源
fclose($handle);
//輸出內(nèi)容豪嗽，嘿嘿，大家也可以保存在自己的服務(wù)器上
echo$lines_string;
?>
4. curl方式
使用curl必須空間開啟curl豌骏。方法：windows下修改php.ini龟梦，將extension=php_curl.dll前面的分號去掉，而且需 要拷貝ssleay32.dll和libeay32.dll到C:\WINDOWS\system32下窃躲；linux下要安裝curl擴(kuò)展计贰。
<?php
//?創(chuàng)建一個(gè)新cURL資源
$url='http://www.zhosoft.com';
$ch=curl_init();
$timeout=5;
//?設(shè)置URL和相應(yīng)的選項(xiàng)
curl_setopt($ch,?CURLOPT_URL,$url);
curl_setopt($ch,?CURLOPT_RETURNTRANSFER,?1);
curl_setopt($ch,?CURLOPT_CONNECTTIMEOUT,$timeout);
//?抓取URL
$lines_string=curl_exec($ch);
//?關(guān)閉cURL資源，并且釋放系統(tǒng)資源
curl_close($ch);
//輸出內(nèi)容蒂窒，嘿嘿躁倒，大家也可以保存在自己的服務(wù)器上
echo$lines_string;
?>
5. fsockopen()函數(shù) socket模式
socket模式能否正確執(zhí)行，也跟服務(wù)器的設(shè)置有關(guān)系洒琢，具體可以通過phpinfo查看服務(wù)器開啟了哪些通信協(xié)議秧秉。
<?php
$fp=fsockopen("www.zhosoft.com",?80,$errno,$errstr,?30);
if(!$fp)?{
echo"$errstr?($errno)\n";
}else{
$out="GET?/?HTTP/1.1\r\n";
$out.="Host:?www.zhosoft.com\r\n";
$out.="Connection:?Close\r\n\r\n";
fwrite($fp,$out);
while(!feof($fp))?{
echofgets($fp,?128);
}
fclose($fp);
}
?>
6.snoopy插件，推薦大家使用
使用網(wǎng)上非常流行的snoopy來進(jìn)行采集衰抑，這是一個(gè)非常強(qiáng)大的采集插件象迎，并且它的使用非常方便，你也可以在里面設(shè)置agent來模擬瀏覽器信息呛踊。
//引入snoopy的類文件
require('Snoopy.class.php');
//初始化snoopy類
$snoopy=new Snoopy;
$url="http://www.zhosoft.com";
//開始采集內(nèi)容
$snoopy->fetch($url);
//保存采集內(nèi)容到$lines_string
$lines_string=$snoopy->results;
//輸出內(nèi)容砾淌，嘿嘿，大家也可以保存在自己的服務(wù)器上
echo$lines_string;
說明：設(shè)置agent是在 Snoopy.class.php 文件的第45行谭网，請?jiān)谠撐募兴阉?“var $agent” （引號中的內(nèi)容）汪厨。瀏覽器內(nèi)容你可以使用PHP來獲得，
使用 echo $_SERVER['HTTP_USER_AGENT']; 可以得到瀏覽器信息愉择，將echo出來的內(nèi)容復(fù)制到agent里面就可以了劫乱。
7.phpQuery插件
include'phpQuery.php';
phpQuery::newDocumentFile('http://www.phper.org.cn');
echo ?pq("title")->text();// 獲取網(wǎng)頁標(biāo)題
echo ?pq("div#header")->html();// 獲取id為header的div的html內(nèi)容
上例中第一行引入phpQuery.php文件织中，
第二行通過newDocumentFile加載一個(gè)文件，
第三行通過pq()函數(shù)獲取title標(biāo)簽的文本內(nèi)容衷戈，
第四行獲取id為header的div標(biāo)簽所包含的HTML內(nèi)容抠璃。
主要做了兩個(gè)動作，即加載文件和讀取文件內(nèi)容脱惰。
參考：http://blog.csdn.net/zhaoxuejie/article/details/49739581
? ? ? ? ? ? http://blog.csdn.net/lzr77/article/details/9704451
