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)

　　通常我们所说的采集器也被称为小偷程序，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。就是远程打开需要采集的网页，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，就可以让自己的采集器来了。

　　我前几天做了一个新颖的连载程序。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，规则不能自定义，但是思路大概是有的。在里面，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()。前者用于远程读取网页内容，但只能在php5以上版本使用，后者为常规功能。 , 用于提取需要的内容。

　　让我们一步一步地谈谈函数的实现。

　　因为是采集小说，先提取标题、作者、流派。其他信息可根据需要提取。

　　这里我们以“**********”为目标，先打开参考书目页面，链接：

　　再打开几本书，你会发现书名的基本格式是：book number/Index.aspx，所以我们可以制作一个起始页，定义一个，用它输入需要的书号采集，然后我们可以通过 $_POST['number'] 这个格式来接收采集的书号。收到书号后，接下来要做的就是构造书目页面：$url=$_POST['number']/Index.aspx，当然这里是一个例子，主要是为了方便说明，就是最好在实际生产中检查一下。 _POST['number'] 的合法性。

　　构建好URL后，即可开启采集书信息。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。这是一个带有书名的例子，其他一切都是一样的。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，这里就不详细解释了）。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，使用正则规则取出内容，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：

　　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：

　　function cut($string,$start,$end){

　　$message = expand($start,$string);

　　$message = expand($end,$message[1]);返回 $message[0];

　　}//其中$string是要剪切的内容，$start是开头，$end是结尾。检索分类号：

　　$start = "Html/Book/";

　　$end = "List.shtm";

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

　　$typeid = expand("/",$typeid);

　　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 = ">";

　　$tend = "