PDA

查看完整版本 : Php实现文章采集功能


Tony
2008-08-28, 06:19 PM
数据采集,大部分是用正则表达式,我简单地介绍下如何实现采集的思路.这里说的是php的实现.一般是本机运行,放到空间上是不明智的,因为不但很耗资源还需要支持远程抓取函数,比如file_get_contents($urls)file($url)等.
1,文章列表页面的自动切换,以及文章路径的获得.
2,获得:标题,内容
3,入库
4,问题
1,文章列表页面的自动切换,以及文章路径的获得.
a,列表页面的自动切换一般依赖动态页面来实现.比如
http://www.phpfirst.com/foru ... d=1&page=$i
可以在后面利用$i的自动增加或范围来实现,比如$i++;
也可以像penzi演示的那个一样,要从第几页到第几页,代码方面控制$i的范围就可以.
b,文章路径的获得分需要填正则和无需填正则2种:
1)无需填正则就是获得上面的文章列表页面的所有连接
  但是最好对连接进行过滤,处理---判断重复连接,只留一个,处理相对路径,变成绝对路径.比如../ 和./等.
以下是我写的乱七八糟的实现函数:
<?
//$e=clinchgeturl("http://phpfirst.com/forumdisplay.php?fid=1");

//var_dump($e);
function clinchgeturl($url)
{

//$url="http://127.0.0.1/1.htm";
//$rootpath="http://fsrootpathfsfsf/yyyyyy/";
//var_dump($rrr);
if(eregi(’(.)*[\.](.)*’,$url)){
$roopath=split("\/",$url);
$rootpath="http://".$roopath[2]."/";
$nnn=count($roopath)-1;for($yu=3;$yu<$nnn;$yu++){$rootpath.=$roopath[$yu]."/";}
// var_dump($rootpath); //http: ,’’,127.0.0.1,xnml,index.php
}
else{$rootpath=$url; //var_dump($rootpath);
}
if(isset($url)){
echo "$url 有下列裢接:<br>";
$fcontents = file($url);
while(list(,$line)=each($fcontents)){
while(eregi(’(href[[:space:]]*=[[:space:]]*"?[[:alnum:]:@/._-]+[\?]?[^\"]*"?)’,$line,$regs)){
//$regs[1] = eregi_replace(’(href[[:space:]]*=[[:space:]]*\"?)([[:alnum:]:@/._-]+)(\"?)’,"\\2",$regs[1]);
$regs[1] = eregi_replace(’(href[[:space:]]*=[[:space:]]*[\"]?)([[:alnum:]:@/._-]+[\?]?[^\"]*)(\.*)[^\"\/]*([\"]?)’,"\\2",$regs[1]);

if(!eregi(’^http:\/\/’,$regs[1])){

if(eregi(’^\.\.’,$regs[1])){
// $roopath=eregi_replace(’(http:\/\/)?([[:alnum:]:@/._-]+)[[:alnum:]+](\.*)[[:alnum:]+]’,"http:\/\/\\2",$url);

$roopath=split("\/",$rootpath);
$rootpath="http://".$roopath[2]."/";
//echo "这是根本d :"."\n";
$nnn=count($roopath)-1;for($yu=3;$yu<$nnn;$yu++){$rootpath.=$roopath[$yu]."/";}
//var_dump($rootpath);
if(eregi(’^\.\.[\/[:alnum:]]’,$regs[1])){
//echo "这是../目录/ :"."\n";
//$regs[1]="../xx/xxxxxx.xx";
// $rr=split("\/",$regs[1]);
//for($oooi=1;$oooi<count($rr);$oooi++)
$rrr=$regs[1];
// {$rrr.="/".$rr[$oooi];
$rrr = eregi_replace("^[\.][\.][\/]",’’,$rrr); //}

$regs[1]=$rootpath.$rrr;


}


}else{
if(eregi(’^[[:alnum:]]’,$regs[1])){ $regs[1]=$rootpath.$regs[1]; }

else{ $regs[1] = eregi_replace("^[\/]",’’,$regs[1]); $regs[1]=$rootpath.$regs[1]; }

}


}





$line = $regs[2];
if(eregi(’(.)*[\.](htm|shtm|html|asp|aspx|php|jsp|cgi)(.)*’,$regs[1])){
$out[0][]=$regs[1]; }
}
}
}for ($ouou=0;$ouou<count($out[0]);$ouou++)
{
if($out[0][$ouou]==$out[0][$ouou+1]){
$sameurlsum=1;
//echo "sameurlsum=1:";
for($sameurl=1;$sameurl<count($out[0]);$sameurl++){
if($out[0][$ouou+$sameurl]==$out[0][$ouou+$sameurl+1]){$sameurlsum++;}
else{break;}
}


for($p=$ouou;$p<count($out[0]);$p++)
{ $out[0][$p]=$out[0][$p+$sameurlsum];}
}
}


$i=0;
while($out[0][++$i]) {
//echo $root.$out[0][$i]."\r\n";
$outed[0][$i]=$out[0][$i];

}
unset($out);
$out=$outed; return $out;
}
?>

上面的东西只能zend,不然有碍市容:(
得到所有唯一的连接后,放到数组
2)需要填正则的处理
如果要准确地获得需要的文章连接,就用这个办法
按照ketle的思路

--------------------------------------------------------------------------------
function cut($file,$from,$end){
$message=explode($from,$file);
$message=explode($end,$message[1]);
return $message[0];
}
$from是列表前面的html代码
$end是列表后面的html代码
以上可以通过表单提交参数.
对列表页面不是列表的部分去除,剩下的是需要的连接,
只要再通过下面正则得到:
PHP:
--------------------------------------------------------------------------------
preg_match("/^(http:\/\/)?(.*)/i",
$url, $matches);
return $matches[2];

2,获得:标题,内容
a首先,利用得到的文章路径,读取目标路径
可以通过以下函数:
--------------------------------------------------------------------------------
function getcontent($url) {
if($handle = fopen ($url, "rb")){
$contents = "";
do {
$data = fread($handle, 2048);
if (strlen($data) == 0) {
break;
}
$contents .= $data;
} while(true);
fclose ($handle);
}
else
exit("........");
return $contents;
}

或者直接
--------------------------------------------------------------------------------
file_get_contents($urls);
后者比较方便,但是缺点对比上面的就知道.
b,接下来得到标题:
一般用这个实现:

--------------------------------------------------------------------------------
preg_match("|<TITLE>(.*)</TITLE>|",$allcontent,$title);

里面的<TITLE>(.*)</TITLE>部分通过提交表单得到.
也可以通过一系列的cut函数
比如上面提过的function cut($file,$from,$end),具体的字符串切割可以通过字符处理函数切割实现,后面"取得内容"详细讲.
c,取得内容
取得内容方面和取得标题思路一样但情况比较复杂,因为内容附近不会是<title></title>这么简单.
1)内容附近的特征字符串有双引号,空格,换行符号等是大障碍
双引号需要变成 \"  可以通过addslashes()处理
换行符号要去掉 可以通过
--------------------------------------------------------------------------------
$a=ereg_replace("\n", ’’, $a);
$a=ereg_replace("\r", ’’, $a);
去掉.
2)思路2,利用一大堆切割相关的函数对内容提取,需要大量的实践,调试,我正在弄这里,没有获得什么突破~~~~~~~~
3,入库
a,切保你的数据库可以插入
比如我的可以这样直接插入:
--------------------------------------------------------------------------------
$sql="INSERT INTO $articles VALUES (’’, ’$title’, ’’, ’$article’,’’, ’’, ’clinch’, ’from’, ’关键词’, 1, ’$栏目id’, ’$time’, 1);\r\n\r\n";
其中
PHP:
--------------------------------------------------------------------------------
(’’,
是自动升序的文章id,要确定升序的字段只有一个,比如pa是标题一个表,一个索引,内容一个表一个索引,两表的自动升序的字段要实时判断的,要插入比较麻烦,被认为"不可插".
b,sql文本导出
我的思路是:
在函数里return
--------------------------------------------------------------------------------
"INSERT INTO article_articles VALUES (’’, ’$title’, ’’, ’$body’,’’, ’’, ’clinch’, ’sohu’, ’php’, 1, ’#clinchall#’, ’$time’, 1);\r\n\r\n";

然后不断积累查询语句内容,最后
--------------------------------------------------------------------------------
$fname="what_"."_page".$i.".sql";
$fp = fopen("data/$f", ’w’);
if(fputs($fp, $sql))
echo "file successfully write";
fclose($fp);
根据小新的思路,非常不错

--------------------------------------------------------------------------------
if(!empty($r_article) AND !empty($r_title))
{
$time=time();
$r_title=addslashes(trim($r_title));
$r_article=addslashes($r_article);

$get_sql="INSERT INTO article_articles VALUES (’’, ’$r_title’, ’’, ’$r_article’,’’, ’’, ’’, ’sohu’, ’’, 1, ’’, ’$time’, 1);\r\n\r\n";
if(file_exists("xingfu_".$_SESSION[’p’].".sql"))
{
if(filesize("xingfu_".$_SESSION[’p’].".sql")>$mysize)
{
$_SESSION[’p’]++;
}
}
$fp=fopen("xingfu_".$_SESSION[’p’].".sql",’a’);
fwrite($fp,$get_sql);
fclose($fp);
先判断是否得到标题和内容,然后生成sql语句放到文本中,还可以判断大小分页生成.
c.直接入库(入mysql)
找个db_mysql类后
直接
PHP: [Copy to clipboard]
--------------------------------------------------------------------------------
$DB->query("INSERT INTO `xxx` ( `xx` , `title` , `texts` , `sortid` ) VALUES (’’, ’".addslashes($title)."’, ’".addslashes($text)."’, ’".$mm."’)");
4,问题
a,其实采集大多需要具体问题具体分析,想做通用的很难.
换句话说,要做到让不懂正则的人随便采集,那可需要高手的后台实现.
b,最大问题是内容切割部分,因为html代码具体情况很复杂,需要调试多次.希望有人做出个类来.
c,当切不到时处理不好会中断,注意容错.用SESSION控制可以避免很多麻烦.当 timeout的时候,刷新下就ok了.延长脚本运行时间可以@set_time_limit(0)