最近速攻php后台思想，分享一个用php实现一个简单的爬虫，抓取电影网站的视频下载地址

昨天没什么事，先看一下电影，就用php写了一个爬虫在视频网站上进行视频下载地址的抓取，半个多小时，大约抓取了3万多条ftp地址数据，效果还是可以的。这里总结一下抓取过程中遇到的问题

1:通过访问浏览器来执行php脚本这种访问方式其实并不适合用来爬网页，因为要受到php的连接时间，内存等的限制，当然了这里是可以修改php.ini的配置文件，但是还是不推荐使用，

php做长周期的任务的时候推荐使用php-cli(命令行)的方式进行，这样效率相比web访问的效率要高得多的多

2:在爬取页面的时候，一开始使用的是file_get_contents()的方式，结果执行一段时间以后php就会报错(failed to open stream: No error ),后来查了一下,有人说curl()函数不会出现上述问题，就采用了curl的方式去采集数据，没有问题

3:在进行采集之前，最好修改一下php.ini中的参数 user_agent(具体请百度)

下面是抓取的代码：

<?php
header( "Content-type:text/html;Charset=utf-8" );
class Get_info{
     //没有爬过的url
     private $url_arr_no = [ ];
     //已经爬过的url
     private $url_arr_over = [ ];
     //获取url的正则表达式
     private $url_reg ="/<a href=['"](.*?)['"].*?>(.*?)</a>/i";
     //获取ftp地址的正则表达式
     private $ftp_reg = "/<td[dD]*?><a href="([dD]*?)">[dD]*?</a></td>/i";
     //url前缀
     private $prefix_url = null;
     //查找到的数据
     public $ftp_result = [ ];
     public function __construct( $url = "" ){
            if( empty( $url ) ){
                    echo "url不能为空";
                    return false;
            }
            $this ->url_arr_no[ ] = $url;
            $this ->prefix_url = $url;
     }
     //开始执行
     public function start( ){
         echo "查找开始<br/>";
             $ch = curl_init( );
             curl_setopt ( $ch , CURLOPT_RETURNTRANSFER , 1 );
             curl_setopt ( $ch , CURLOPT_CONNECTTIMEOUT ,10 );
         while( ! empty( $this ->url_arr_no ) ){
               //foreach ( $this->url_arr_no as $key => $value ) {  
                      $value = array_shift( $this->url_arr_no );
                          if( substr( $value, 0,8 )  == "/webPlay"){
                                      continue;
                          }
                 if( ! in_array( $value , $this->url_arr_over ) ){ //如果需要查找的url没有爬过,就开始爬
                                     curl_setopt ($ch, CURLOPT_URL, $value );
                                     $content = curl_exec($ch);
                                      //利用正则进行解析页面内容
                                      preg_match_all( $this->url_reg, $content , $url_match );
                                      preg_match_all( $this->ftp_reg, $content , $ftp_match );
                             //如果新查到的url已经在待查询或者已经查询的数组中存在,就不添加
                             if( ! empty( $url_match[1] ) ){
                                       foreach( $url_match[1] as $url ){
                                                   if( ! in_array( $url, $this->url_arr_no ) && ! in_array( $url,$this->url_arr_over )){
                                                          $this ->url_arr_no[ ] = $this ->prefix_url.$url;
                                          }
                                       }
                             }
                              //如果ftp地址已经存在,就不进行存储
                              if( ! empty( $ftp_match[1] ) ){
                                    foreach( $ftp_match[1] as $ftp ){
                                          if( ! in_array( $ftp, $this->ftp_result ) ){
                                                 $this ->ftp_result[ ] = $ftp;
                                                 file_put_contents("result.txt" , $ftp."
" , FILE_APPEND);
                                          }
                                    }
                              }
                             $this ->url_arr_over[ ] = $value;
                             $key_arr = array_keys( $this->url_arr_no,$value );
                             if( ! empty( $key_arr ) ){
                                      foreach( $key_arr as $k => $v ){
                                          unset( $this->url_arr_no[ $v ] );
                                      }
                             }
                 }
          //}
         }
             echo "查找完毕";
     }
}
$url = "";
$class = new Get_info( $url );
$class -> start( );
 ?>

出处：http://gold.xitu.io/post/582acfeba0bb9f006794ccc3