采集练习(一) php 获得全国的小学(数据来自腾讯朋友网)

    注：发现腾讯朋友网已经改版，部分参数需要自己获得修改 ！！！

　　年前有个需求获得某省的小学数据，分析了下朋友网的小学学校发现可以获得相关数据。

如获得湖南省郴州市宜章县的全部小学

发现网页请求的地址是

http://api.pengyou.com/json.php?cb=__i_3&mod=school&act=selector&schooltype=6&country=0&province=43&district=431022&g_tk=1964222334

这里返回的是一个json

document.domain = "pengyou.com"; __i_3({"code":0,"subcode":0,"......});

解析后发现里面是宜章县的全部小学。。。

分析了下参数

schooltype=6 表示小学

country = 0 表示中国

province = 43 表示湖南省

district = 431022 表示宜章县

g_tk = 1964222334 不清楚估计是随机数

有了这几个参数就可以自己获得相应的小学了。。

获得湖南省郴州市的所有县: http://api.pengyou.com/json.php?cb=__i_6&mod=getdistrict&cityid=4310&district_obj_name=_distinct&g_tk=271354436

要获得学校必须获得province 、district 的值但我没发现相应的网络请求获得相应的 province 、district 于是到页面上查找发现 province 的值来自

http://cn.qzonestyle.gtimg.cn/campus/js/locations.js

需要解决的问题：

1、获得locations.js 里的省份城市 id 值时需要用到正则表达式

2、根据市 id 获得县 id

3、file_get_contents 获得相关学校时需要带上相应的 user_agent 并配置否则获不到数据。

以下是相应的代码

header("Content-type:text/html; charset=utf-8");
set_time_limit(0);
$js_data = @file_get_contents("locations.js");
preg_match_all("/;location_array\[([0-9]{2})?\]='([^']+)?'/",$js_data,$locations);
$datas = array();
if(array_filter($locations[1]) && array_filter($locations[2])){
    foreach($locations[1] as $key => $val){
        preg_match_all("/;sublocation_array\[".$val."\]\[([0-9]{4,})\]='([^']+)?'/", $js_data, $matches);
        $datas[$val]['name']= $locations[2][$key];
        foreach($matches[1] as $k =>$v){
            $datas[$val]['sub'][$v] = $matches[2][$k];
        }
    } 
}

function getDatas($url)
{
    $getPageSetting = array(
        'http' => array(
           'timeout' => 5,
           'method' => 'GET',
           'protocol_version'=>'1.1',
           'header' =>
                    "User-Agent: Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_0 like Mac OS X; en-us) AppleWebKit/532.9 (KHTML, like Gecko) Version/4.0.5 Mobile/8A293 Safari/6531.22.7\r\n" .
                    //"Referer: http://......php\r\n".浏览器访问过的,上一个页面的整个url地址字符串,直接在地址栏输入url访问此页面则没有此项
                    "Host: isdspeed.qq.com\r\n" .//这项可以省略，如果这里设置错误会报错：failed to open stream: HTTP request failed! 
                    "Accept-Language: zh-cn,zh;q=0.5\r\n" .
                    "Accept-Encoding: gzip, deflate\r\n" .
                    "Accept-Charset: GBK,utf-8;q=0.7,*;q=0.3\r\n" .
                    "Content-Type:application/x-www-form-urlencoded".
                    "Accept: text/javascript, application/javascript, */*\r\n" .
                    "Connection: keep-alive\r\n\r\n"
        )
    );
    //$getHtml= file_get_contents($url, FALSE, stream_context_create($getPageSetting));
　　 // 发现腾讯朋友网已经改版 所以直接用 file_get_contents 获得
    $getHtml = file_get_contents($url);
    return $getHtml;    
}

/**
 * 创建文件夹
 * @param string $path 文件夹路径
 */
function createFolder($path)
{
    if (!file_exists($path)) {
        createFolder(dirname($path));
        mkdir($path, 0777);
    }
}

$areas = array();

// 获得相关省市县的小学
foreach ($datas as $pid=>$rows){
    foreach($rows as $k=>$v){
        if($k =='sub'){
            foreach($v as $cid =>$city){
                $cityUrl = "http://api.pengyou.com/json.php?mod=getdistrict&cityid=".$cid."&district_obj_name=_distinct&g_tk=1523170442";
                $result = getDatas($cityUrl);
                $districtIds = json_decode($result,true);
                $areas[$pid][$cid] = $districtIds['result']['district_arr'];
                $district_arr= $districtIds['result']['district_arr'];
                foreach($district_arr as $did =>$district){
                    $url = "http://api.pengyou.com/json.php?&mod=school&act=selector&schooltype=6&country=0&province=".$pid."&district=".$did."&g_tk=1523170442";
                    $schools = getDatas($url);
                    $schools = json_decode($schools,true);
                    $school_data = str_replace("&middot;","\r\n",strip_tags($schools['result']));
                    $dirs = "school/".iconv('utf-8', 'gbk', $rows['name'])."/".iconv('utf-8', 'gbk', $city);
                    createFolder($dirs);
                    @file_put_contents($dirs.'/'.iconv('utf-8', 'gbk', $district).'.txt', $school_data);
                }
            }
            
        }
        
    }
}

echo '<pre>';
print_r($areas);