内容采集器(前几天做了个小说连载的程序，主要是用来抓取别人网页内容的)

　　内容采集器(前几天做了个小说连载的程序，主要是用来抓取别人网页内容的)

　　采集器，通常称为小偷程序，主要用于抓取他人网页的内容。关于采集器的制作，其实并不难。就是远程打开采集的网页，然后用正则表达式匹配需要的内容。只要你有一点基本的正则表达式，就可以搞出来我自己的采集器。

　　前几天，我做了一个连载小说的程序。因为怕更新麻烦，写了个采集器、采集八路中文网。功能比较简单，不能自定义规则，但是思路都在里面，自定义规则可以自己扩展。

　　用php做采集器主要用到两个函数：file_get_contents()和preg_match_all()。前者用于远程读取网页内容，但只能在php5以上版本使用。后者是一个常规函数。用于提取所需的内容。

　　下面我们一步一步的说一下函数的实现。

　　因为是采集的小说，先提取标题，作者，流派。可以根据需要提取其他信息。

　　这里是“回明为主”的目标。首先打开参考书目页面并链接：

　　再打开几本书，你会发现书名的基本格式是：书号/Index.aspx，这样我们就可以制作一个起始页，定义一个，输入需要采集的书号，然后我们可以使用 $_POST ['number'] 这种格式来接收采集的书号。收到书号后，接下来要做的就是构造书目页面：$url=$_POST['number']/Index.aspx，当然这里是一个例子，主要是为了方便说明，就是最好在实际制作时检查一下。_POST['number'] 的合法性。

　　构造好URL后，就可以开始采集图书信息了。使用file_get_contents()函数打开书目页面：$content=file_get_contents($url)，这样就可以读取书目页面的内容了。下一步是匹配书名、作者和类型。我们以书名为例，其他都一样。打开书目页面，查看源文件，找到《回明为主》，这是要提取的书名。提取书名的正则表达式：/(.*?)\/is，使用preg_match_all()函数提取书名：preg_match_all("/(.*?)\/is",$contents,$title ); $title[0][0]的内容就是我们想要的title（preg_match_all函数的用法可以百度查，我不会在这里详细解释）。取出书籍信息后，下一步就是取出章节内容。取章节内容，首先要找到每个章节的地址，然后远程打开章节，使用正则规则将内容取出，存入库或者直接生成html静态文件。这是章节列表的地址： 可以看出这个和参考书目页面是一样的，可以定期找到：分类号/书号/List.shtm。ISBN已经拿到了。这里的关键是找到分类号。分类号可以在之前的参考书目页面上找到。提取分类号：取章节内容，首先要找到每个章节的地址，然后远程打开章节，使用正则规则将内容取出，存入库或者直接生成html静态文件。这是章节列表的地址： 可以看出这个和参考书目页面是一样的，可以定期找到：分类号/书号/List.shtm。ISBN已经拿到了。这里的关键是找到分类号。分类号可以在之前的参考书目页面上找到。提取分类号：取章节内容，首先要找到每个章节的地址，然后远程打开章节，使用正则规则将内容取出，存入库或者直接生成html静态文件。这是章节列表的地址： 可以看出这个和参考书目页面是一样的，可以定期找到：分类号/书号/List.shtm。ISBN已经拿到了。这里的关键是找到分类号。分类号可以在之前的参考书目页面上找到。提取分类号：这是章节列表的地址： 可以看出这个和参考书目页面是一样的，可以定期找到：分类号/书号/List.shtm。ISBN已经拿到了。这里的关键是找到分类号。分类号可以在之前的参考书目页面上找到。提取分类号：这是章节列表的地址： 可以看出这个和参考书目页面是一样的，可以定期找到：分类号/书号/List.shtm。ISBN已经拿到了。这里的关键是找到分类号。分类号可以在之前的参考书目页面上找到。提取分类号：

　　preg_match_all("/Html\/Book\/[0-9]{1,}\/[0-9]{1,}\/List\.shtm/is",$contents,$typeid);这不是够了，还需要一个cut函数：

　　[复制PHP代码] [-] PHP代码如下：