核心方法：利用PHP制作简单的内容采集器的方法

　　如何使用PHP制作简单的内容采集器

　　今天，编辑者将为每个人解释文章语言编程。在课堂上，老师们将了解语言编程中没有的技能，我相信这会对每个人都有很大的帮助

　　php示例教程采集器，通常称为小偷程序，主要用于获取其他人网页的内容。关于采集器的产生，实际上并不困难。它将远程打开采集的网页，然后使用正则表达式匹配所需的内容。只要您有一点正则表达式基础，就可以制作自己的采集器来。

　　几天前我做了一个新颖的序列化程序，因为怕更新的麻烦，我写了一个采集器，采集八路中文网，功能比较简单，不能自定义规则，但想法可能在内部，自定义规则可以自己扩展。

　　使用php做采集器主要使用两个函数：file_get_contents（）和preg_match_all（）。第一个用于远程读取Web内容，但是只能在php5及更高版本中使用，而后者是常规功能。 ，用于提取所需的内容。

　　让我们逐步讨论功能实现。

　　因为这是一部采集小说，所以请先提取标题，作者和体裁。可以根据需要提取其他信息。

　　这里的目标是“重返明代做王子”，首先打开书目页面，链接：

　　再打开几本书，您会发现书名的基本格式为：书号/Index.aspx，因此我们可以创建一个起始页并定义一个以输入需要采集的书号，然后我们可以传递$ _POST ['number']这种格式来接收需要采集的书号。收到书号后，下一步是构建书目页：$ url = $ _ POST ['number'] / Index.aspx，当然，这里有一个示例，主要是为了便于说明，它是最好检查$ _POST ['number']的合法性。

　　构造URL后，您可以启动采集图书信息。使用file_get_contents（）函数打开书目页面：$ content = file_get_contents（$ url），以便可以读取书目页面的内容。下一步是匹配书名，作者和类型。让我们以这本书为例，其他所有内容都是相同的。打开书目页面，检查源文件，找到“回到明朝当国王”，这是要提取的书的标题。正则表达式提取书名：/(.*?)\\\\/is，使用preg_match_all（）函数提取书名：preg_match_all（“ /(.*?)\\\\/ is “，$ contents，$ title）;这样，$ title [0] [0]的内容就是我们想要的标题（可以在百度上检查preg_match_all函数的用法，在此不再详细说明）。取出图书信息后，下一步就是获取章节内容。要获取章节内容，首先要做的是找到每个章节的地址，然后远程打开该章节，使用常规规则将内容取出，将其存储在库中或直接生成html静态文件。这是章节列表的地址：可以看出，这与书目页面相同，可以定期查找：分类号/书号/List.shtm。 ISBN已经获得，这里的关键是找到分类号，可以在前一个书目页面上找到它，提取分类号：

　　preg_match_all（“ / HTML \\\\ / Book \\\\ // [0-9] {1，} \\\\ // [0-9] {1，} \\\\ // List \\ \\。shtm / is“，$ contents，$ typeid）;这还不够，我们还需要一个cut函数：

　　[复制代码] [-] PHP代码如下：

　　以下是引用的内容：

　　函数剪切（$ string，$ start，$ end）{

　　$ message = explode（$ start，$ string）;

　　$ message = explode（$ end，$ message [1]）; return $ message [0];}其中$ string是要剪切的内容，$ start是开始，$ end是结束。检索分类号：

　　$ start =“ HTML / Book /”;

　　$ end

　　=“ List.shtm”;

　　$ typeid = cut（$ typeid [0] [0]，$ start，$ end）;

　　$ typeid = explode（“ /”，$ typeid）; [/ php]

　　好吧，我从事编程语言统计已经有很多年了。数据源很多，包括代码存储库，问答讨论，招聘广告，社交媒体情况，教程页面访问，学习视频视图，开发人员调查等。在不同时间发布的数据可以被认为是准确的，

　　也可以被认为是有缺陷的，但是它们可以用来发现行业趋势。最后，不要指望一夜之间成为编码忍者。有些人具有天生的能力，但他们也花费大量时间来磨练自己的技能并不断学习新技术。 “

　　XML在过去三年中经历了多次迭代，因此，目前存在不同版本的Microsoft XML解析器也就不足为奇了。 Internet Explorer4.0收录XML解析器的早期版本，该版本早于XSL，XML数据或大多数其他XML技术（并且具有完全不同的DOM模型）。 MSXML.dll库中收录该*敏*感*词*的早期版本。可以从MSDN XML开发人员中心（英语）将*敏*感*词*升级到较新的版本。

　　我们强烈建议您升级到新的*敏*感*词*，因为它的功能要强大得多。 Internet Explorer5.0收录MSXML2.0解析器，该解析器收录XSL和XML架构的基本版本。 MSXML2是SQL Server 2000附带的分析器的版本。MSXML2收录许多性能增强功能，并且总体性能和可伸缩性得到了改善。 MSXML3是当前收录在“技术预览”中的版本。 MSXML3包括XSLT和XPath支持以及SAX接口。

　　在php教程中，$ typeid [0]是我们要查找的分类号。下一步是构造章节列表的地址：$ chapterurl = $ typeid [0] / $ _ POST [‘number’] / List.shtm。这样，您可以找到每个章节的地址。方法如下：

　　以下是引用的内容：

　　$ ustart =“ \\\\”“;

　　$ uend

　　=“ \\\\”“;

　　// t代表标题的缩写

　　$ tstart =“>”;

　　$ tend

　　=“