教程：RSS全文输出，自己动手做。（一）

这里以PHP版为例，尽量说得通俗点吧，水平实在有限，见谅。

目前我这里所有的获取全文输出的网站大概是三种情况：

要输出的内容集中在一页上，也就是看似列表页的页面里集中了你想要的所有内容，并不需要点击“更多”或“继续阅读”才能看到文章整体。比如糗事百科、wiki。
有列表页，要查看相应文章必须点击链接进入。
json方式写入。特征就是查看源文件并不能找到你在浏览器中看到的内容。比如腾讯新闻图片（链接），它的真正内容在这（链接）。

第一种最省事，第二种最常见，第三种稍麻烦。

今天先讲第二种。

以国家地理中文网宇宙空间为例（链接），先看代码：（把下列源码存为space.php）

<?php
include "gethtml.php";
$regex_link = '/(?<=<dt><a href=").+?(?=")/s';
$regex_tit = '/(?<=<title>)(.+?)(?= -)/s';
$regex_con = '/<div id="detailMain_box_img".*?(?=<div class="M-L-article-last-p" >)/s';
$header='<?xml version="1.0" encoding="utf-8"?><rss version="2.0"><channel><title>国家地理中文网宇宙空间</title>';
$footer='</channel></rss>';
$html=gethtml('http://www.nationalgeographic.com.cn/science/space/');
if(preg_match_all($regex_link, $html, $links)){
$size=count($links[0]);
for($i=0;$i<$size;$i++){
$link=preg_replace('/(.+)/','http://www.nationalgeographic.com.cn$1',$links[0][$i]);
$content=gethtml($link);
preg_match($regex_con,$content,$article);
preg_match($regex_tit,$content,$title);
$rss.='<item><title>'.$title[0].'</title><link><![CDATA['.$link.']]></link><description><![CDATA['.$article[0].']]></description></item>';
}
file_put_contents('space.xml',$header.$rss.$footer);
}
?>

重点是第8行往后。只解释我认为重要的，不明白的可以讨论。

第2行，引入gethtml方法，来自下面的代码。

看一下第8行gethtml(‘http://www.nationalgeographic.com.cn/science/space/’)得到了什么（链接），虽然有点乱，但是目的达到了，http://www.nationalgeographic.com.cn/science/space/ 我已经抓到本地服务器上。

第9行是要挑出需要的链接 $links（链接）

第13行利用这些链接继续抓取页面 $content=gethtml($link)

第14、15行从$content里查找需要的$title（文章标题）和$article（文章内容）

后面就是按RSS要求的格式输出，并最终生成xml文件。

上面我说的查找、挑出都是用正则来实现的，此外最好对html特别熟悉，操作起来才能得心应手。

=================================================

下面是在别人的基础上自己总结的利用curl抓取页面的方法，把下面源码存为gethtml.php，我所有的抓取都是用的这个方法，当然，省事的话可以用 file_get_contents，那就是真正的20行代码完成全文RSS输出了，不过可选的参数就没有了，有的页面会抓取不到。

<?php
error_reporting(E_ERROR);
function gethtml($url,$json){
$args = json_decode($json,true);
$useragent = $args["useragent"]?$args["useragent"]:'Mozilla/5.0';
$timeout = $args["timeout"]?$args["timeout"]:9000;
$ch = curl_init();
$options = array(
CURLOPT_URL => $url,
CURLOPT_USERAGENT => $useragent,
CURLOPT_TIMEOUT_MS => $timeout,
CURLOPT_NOSIGNAL => 1,
CURLOPT_HEADER => 0,
CURLOPT_RETURNTRANSFER => 1,
CURLOPT_FOLLOWLOCATION => 1
);
if($args["ip"]){
$options[CURLOPT_HTTPHEADER] = array('CLIENT-IP:'.$args["ip"],'X-FORWARDED-FOR:'.$args["ip"]);
}
if (preg_match('/^https/',$url)){
$options[CURLOPT_SSL_VERIFYHOST] = 1;
$options[CURLOPT_SSL_VERIFYPEER] = 0;
}
curl_setopt_array($ch, $options);
$data = curl_exec($ch);
$curl_errno = curl_errno($ch);
curl_close($ch);
if($curl_errno>0){
return 'error';
}else{
return $data;
}
}
?>

原文：http://www.rssfull.net/turorial160710