PHP抓取页面的几种方式

我们在开发网络程序时，往往需要抓取非本地文件，一般情况下都是利用php模拟浏览器的访问，通过http请求访问url地址，然后得到html源代码或者xml数据，得到数据我们不能直接输出，往往需要对内容进行提取，然后再进行格式化，以更加友好的方式显现出来。

下面简单说一下php抓取页面的几种方法及原理:

一、 PHP抓取页面的主要方法：

1. file()函数

2. file_get_contents()函数

3. fopen()->fread()->fclose()模式

4.curl方式

5. fsockopen()函数 socket模式

6. 使用插件(如：http://sourceforge.net/projects/snoopy/)

二、PHP解析html或xml代码主要方式：

1. file()函数

1 <?php
2 //定义url
3 $url='http://t.qq.com';　
4 //fiel函数读取内容数组
5 $lines_array=file($url);　
6 //拆分数组为字符串　
7 $lines_string=implode('',$lines_array);　
8 //输出内容，嘿嘿，大家也可以保存在自己的服务器上
9 echo $lines_string;

2. file_get_contents()函数
使用file_get_contents和fopen必须空间开启allow_url_fopen。方法：编辑php.ini，设置 allow_url_fopen = On，allow_url_fopen关闭时fopen和file_get_contents都不能打开远程文件。

1 <?php
2 //定义url
3 $url='http://t.qq.com';
4  //file_get_contents函数远程读取数据
5 $lines_string=file_get_contents($url);
6  //输出内容，嘿嘿，大家也可以保存在自己的服务器上
7 echo htmlspecialchars($lines_string);

3. fopen()->fread()->fclose()模式

 1 <?php
 2 //定义url
 3 $url='http://t.qq.com';
 4  //fopen以二进制方式打开  
 5 $handle=fopen($url,"rb");
 6 //变量初始化
 7 $lines_string="";
 8 //循环读取数据
 9 do{    
10     $data=fread($handle,1024);    
11     if(strlen($data)==0) {
12         break;   
13     }    
14 $lines_string.=$data;
15 }while(true);
16 //关闭fopen句柄，释放资源
17 fclose($handle);
18  //输出内容，嘿嘿，大家也可以保存在自己的服务器上
19 echo $lines_string;

4. curl方式
使用curl必须空间开启curl。方法：windows下修改php.ini，将extension=php_curl.dll前面的分号去掉，而且需要拷贝ssleay32.dll和libeay32.dll到C:WINDOWSsystem32下；Linux下要安装curl扩展。

 1 <?php
 2 // 创建一个新cURL资源
 3 $url='http://t.qq.com';
 4 $ch=curl_init();
 5 $timeout=5;
 6 // 设置URL和相应的选项
 7 curl_setopt($ch, CURLOPT_URL, $url);
 8 curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
 9 curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
10 // 抓取URL
11 $lines_string=curl_exec($ch);
12 // 关闭cURL资源，并且释放系统资源
13 curl_close($ch);
14 //输出内容，嘿嘿，大家也可以保存在自己的服务器上
15 echo $lines_string;

5. fsockopen()函数 socket模式
socket模式能否正确执行，也跟服务器的设置有关系，具体可以通过phpinfo查看服务器开启了哪些通信协议。

 1 <?php
 2 $fp = fsockopen("t.qq.com", 80, $errno, $errstr, 30);
 3 if (!$fp) {
 4     echo "$errstr ($errno)<br />
";
 5 } else {
 6     $out = "GET / HTTP/1.1
";
 7     $out .= "Host: t.qq.com
";
 8     $out .= "Connection: Close

";
 9     fwrite($fp, $out);
10     while (!feof($fp)) {
11         echo fgets($fp, 128);
12     }
13     fclose($fp);
14 }

6. snoopy插件，最新版本是Snoopy-1.2.4.zip Last Update: 2013-05-30，推荐大家使用

使用网上非常流行的snoopy来进行采集，这是一个非常强大的采集插件，并且它的使用非常方便，你也可以在里面设置agent来模拟浏览器信息。

 1 <?php
 2 //引入snoopy的类文件
 3 require('Snoopy.class.php');
 4 //初始化snoopy类
 5 $snoopy = new Snoopy;
 6 $url = "http://t.qq.com";
 7 //开始采集内容
 8 $snoopy->fetch($url);
 9  //保存采集内容到$lines_string
10 $lines_string = $snoopy->results;
11 //输出内容，嘿嘿，大家也可以保存在自己的服务器上
12 echo $lines_string;

说明：设置agent是在 Snoopy.class.php 文件的第45行，请在该文件中搜索 “var $agent” （引号中的内容）。浏览器内容你可以使用PHP来获得，
使用 echo $_SERVER['HTTP_USER_AGENT']; 可以得到浏览器信息，将echo出来的内容复制到agent里面就可以了。