PHP实现小偷程序实例

为什么使用“小偷程序”？

远程抓取文章资讯或商品信息是很多企业要求程序员实现的功能，也就是俗说的小偷程序。其最主要的优点是：解决了公司网编繁重的工作，大大提高了效率。只需要一运行就能快速的抓取别人网站的信息。

“小偷程序”在哪里运行？

“小偷程序” 应该在 Windows 下的 DOS或 Linux 下通过 PHP 命令运行为最佳，因为，网页运行会超时。

比如图（Windows 下 DOS 为例）：

“小偷程序”的实现

这里主要通过一个实例来讲解，我们来抓取下“华强电子网”的资讯信息，请先看观察这个链接 http://www.hqew.com/info-c10.html，当您打开这个页面的时候发现这个页面会发现一些现象：

 1、资讯列表有 500 页（2012-01-03）；

 2、每页的 url 链接都有规律，比如：第1页为http://www.hqew.com/info-c10-1.html；第2页为http://www.hqew.com/info-c10-2.html；……第500页为http://www.hqew.com/info-c10-500.html；

3、由第二点就可以知道，“华强电子网” 的资讯是伪静态或者是生成的静态页面

其实，基本上大部分的网站都有这样的规律，比如：中关村在线、慧聪网、新浪、淘宝……。

这样，我们可以通过这样的思路来实现页面内容的抓取：
1、先获取文章列表页内容；
2、根据文章列表页内容循环获取文章的 url 地址；
3、根据文章的 url 地址获取文章的详细内容

这里，我们主要抓取资讯页里面的：标题（title）、发布如期（date）、作者（author）、来源（source）、内容（content）

“华强电子网”资讯抓取

首先，先建数据表结构，如下所示：

CREATE TABLE `article`.`article` ( 
`id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY , 
`title` VARCHAr( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , 
`date` VARCHAr( 50 ) NOT NULL , 
`author` VARCHAr( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , 
`source` VARCHAr( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL , 
`content` TEXT NOT NULL 
) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci; 

 抓取程序：
 

set_charset('UTF8'); # 设置数据库编码 
function data($url) { 
  global $mysqli; 
  $result = file_get_contents($url); # $result 获取 url 链接内容（注意：这里是文章列表链接） 
  $pattern = '/
.+.+
/Usi'; # 取得文章 url 的匹配正则 
  preg_match_all($pattern, $result, $arr); # 把文章列表 url 分配给数组$arr(二维数组) 
  foreach ($arr[1] as $val) { 
    $val = 'http://www.hqew.com' . $val; # 真实文章 url 地址 
    $re = file_get_contents($val); # $re 为文章 url 的内容 
    $pa = '/s+(.+)s+
s+发布:s+(.+)s+|s+作者:s+(.+)s+|s+来源:s+(.*?)s+.+s*(.+)s+