网页文章采集工具(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)

　　网页文章采集工具(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。就是远程打开要采集的网页，然后用正则表达式匹配需要的内容。只要你有一点正则表达式的基础，你就可以制作自己的采集

器。.

　　前几天做了一个小说连载程序。因为怕更新麻烦，顺便写了个采集器

。功能比较简单，不能自定义规则，但是大概思路就在里面，自定义规则。你可以自己扩展。

　　php作为采集

器主要使用两个函数：file_get_contents()和preg_match_all()。第一个是远程阅读网页内容，但只能在php5以上版本使用。后者是一个常规函数，用来提取需要的内容。

　　下面我们一步一步的说一下函数的实现。

　　因为是小说的合集，首先要提取标题、作者、流派，其他信息可以根据需要提取。

　　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，所以我们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' ] 这种格式来接收需要采集

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，当然这里举个例子，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。这里以书为例，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); 像这样 $title [0][0] 的内容就是我们想要的标题（preg_match_all 函数的用法可以百度查，此处不再详述）。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); 这还不够，我们还需要一个cut函数：

　　PHP代码如下：

　　函数剪切（$string，$start，$end）{

　　$消息=爆炸（$开始，$字符串）；

　　$message = expand($end,$message[1]); return $message[0];} 其中 $string 是要剪切的内容，$start 是开头，$end 是结尾。取出分类号：

　　$start = "HTML/书/";

　　$end

　　= "列表.shtm";

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

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

　　这样，$typeid[0] 就是我们要找的分类号。下一步是构造章节列表的地址：$chapterurl = $typeid[0]/$_POST['number']/List.shtm。有了这个，你可以找到每章的地址。方法如下：

　　$ustart = """;

　　$uend

　　= """;

　　//t代表title的缩写

　　$tstart = ">";

　　$趋向

　　=“