数据采集，大部分是用正则表达式，我简单地介绍下如何实现采集的思路.这里说的是php的实现.一般是本机运行，放到空间上是不明智的，因为不但很耗资源还需要支持远程抓取函数，比如file_get_contents($urls)file($url)等.
1，文章列表页面的自动切换，以及文章路径的获得.
2，获得：标题，内容
3，入库
4，问题
1，文章列表页面的自动切换，以及文章路径的获得.
a，列表页面的自动切换一般依赖动态页面来实现.比如
http://www.phpfirst.com/foru ... d=1&page=$i
可以在后面利用$i的自动增加或范围来实现，比如$i++;
也可以像penzi演示的那个一样，要从第几页到第几页，代码方面控制$i的范围就可以.
b，文章路径的获得分需要填正则和无需填正则2种：
1)无需填正则就是获得上面的文章列表页面的所有连接
但是最好对连接进行过滤，处理---判断重复连接，只留一个，处理相对路径，变成绝对路径.比如../ 和./等.
以下是我写的乱七八糟的实现函数：
PHP:
--------------------------------------------------------------------------------
//$e=clinchgeturl("http://phpfirst.com/forumdisplay.php?fid=1");
//var_dump($e);
function clinchgeturl($url)
{
//$url="http://127.0.0.1/1.htm";
//$rootpath="http://fsrootpathfsfsf/yyyyyy/";
//var_dump($rrr);
if(eregi('(.)*[\.](.)*',$url)){
$roopath=split("\/",$url);
$rootpath="http://".$roopath[2]."/";
$nnn=count($roopath)-1;for($yu=3;$yu<$nnn;$yu++){$rootpath.=$roopath[$yu]."/";}
// var_dump($rootpath); //http: ,'',127.0.0.1,xnml,index.php
}
else{$rootpath=$url; //var_dump($rootpath);
}
if(isset($url)){
echo "$url 有下列裢接：
";
$fcontents = file($url);
while(list(,$line)=each($fcontents)){
while(eregi('(href[[:space:]]*=[[:space:]]*"?[[:alnum:]:@/._-]+[\?]?[^\"]*"?)',$line,$regs)){
//$regs[1] = eregi_replace('(href[[:space:]]*=[[:space:]]*\"?)([[:alnum:]:@/._-]+)(\"?)',"\\2",$regs[1]);
$regs[1] = eregi_replace('(href[[:space:]]*=[[:space:]]*[\"]?)([[:alnum:]:@/._-]+[\?]?[^\"]*)(\.*)[^\"\/]*([\"]?)',"\\2",$regs[1]);
if(!eregi('^http:\/\/',$regs[1])){
if(eregi('^\.\.',$regs[1])){
// $roopath=eregi_replace('(http:\/\/)?([[:alnum:]:@/._-]+)[[:alnum:]+](\.*)[[:alnum:]+]',"http:\/\/\\2",$url);
$roopath=split("\/",$rootpath);
$rootpath="http://".$roopath[2]."/";
//echo "这是根本d ："."\n";
$nnn=count($roopath)-1;for($yu=3;$yu<$nnn;$yu++){$rootpath.=$roopath[$yu]."/";}
//var_dump($rootpath);
if(eregi('^\.\.[\/[:alnum:]]',$regs[1])){
//echo "这是../目录/ ："."\n";
//$regs[1]="../xx/xxxxxx.xx";
// $rr=split("\/",$regs[1]);
//for($oooi=1;$oooi
$rrr=$regs[1];
// {$rrr.="/".$rr[$oooi];
$rrr = eregi_replace("^[\.][\.][\/]",'',$rrr); //}
$regs[1]=$rootpath.$rrr;
}
}else{
if(eregi('^[[:alnum:]]',$regs[1])){ $regs[1]=$rootpath.$regs[1]; }
else{ $regs[1] = eregi_replace("^[\/]",'',$regs[1]); $regs[1]=$rootpath.$regs[1]; }
}
}
$line = $regs[2];
if(eregi('(.)*[\.](htm|shtm|html|asp|aspx|php|jsp|cgi)(.)*',$regs[1])){
$out[0][]=$regs[1]; }
}
}
}for ($ouou=0;$ouou
{
if($out[0][$ouou]==$out[0][$ouou+1]){
$sameurlsum=1;
//echo "sameurlsum=1:";
for($sameurl=1;$sameurl
if($out[0][$ouou+$sameurl]==$out[0][$ouou+$sameurl+1]){$sameurlsum++;}
else{break;}
}
for($p=$ouou;$p
{ $out[0][$p]=$out[0][$p+$sameurlsum];}
}
}
$i=0;
while($out[0][++$i]) {
//echo $root.$out[0][$i]."\r\n";
$outed[0][$i]=$out[0][$i];
}
unset($out);
$out=$outed; return $out;
}
?>
上面的东西只能zend，不然有碍市容：(
得到所有唯一的连接后，放到数组
2)需要填正则的处理
如果要准确地获得需要的文章连接，就用这个办法
按照ketle的思路
用
PHP:
--------------------------------------------------------------------------------
function cut($file,$from,$end){
$message=explode($from,$file);
$message=explode($end,$message[1]);
return $message[0];
}
$from是列表前面的html代码
$end是列表后面的html代码
以上可以通过表单提交参数.
对列表页面不是列表的部分去除，剩下的是需要的连接，
只要再通过下面正则得到：
PHP:
--------------------------------------------------------------------------------
preg_match("/^(http:\/\/)?(.*)/i",
$url, $matches);
return $matches[2];
2，获得：标题，内容
a首先，利用得到的文章路径，读取目标路径
可以通过以下函数：
PHP:
--------------------------------------------------------------------------------
function getcontent($url) {
if($handle = fopen ($url, "rb")){
$contents = "";
do {
$data = fread($handle, 2048);
if (strlen($data) == 0) {
break;
}
$contents .= $data;
} while(true);
fclose ($handle);
}
else
exit("........");
return $contents;
}
或者直接
PHP:
--------------------------------------------------------------------------------
file_get_contents($urls);
后者比较方便，但是缺点对比上面的就知道.
b,接下来得到标题：
一般用这个实现：
PHP:
--------------------------------------------------------------------------------
preg_match("||",$allcontent,$title);
里面的部分通过提交表单得到.
也可以通过一系列的cut函数
比如上面提过的function cut($file,$from,$end)，具体的字符串切割可以通过字符处理函数切割实现，后面"取得内容"详细讲.
c,取得内容
取得内容方面和取得标题思路一样但情况比较复杂，因为内容附近不会是这么简单.
1)内容附近的特征字符串有双引号,空格,换行符号等是大障碍
双引号需要变成 \" 可以通过addslashes()处理
换行符号要去掉 可以通过
PHP:
--------------------------------------------------------------------------------
$a=ereg_replace("\n", '', $a);
$a=ereg_replace("\r", '', $a);
去掉.
2)思路2，利用一大堆切割相关的函数对内容提取，需要大量的实践，调试，我正在弄这里，没有获得什么突破～～～～～～～～
3，入库
a,切保你的数据库可以插入
比如我的可以这样直接插入：
PHP:
--------------------------------------------------------------------------------
$sql="INSERT INTO $articles VALUES ('', '$title', '', '$article','', '', 'clinch', 'from', '关键词', 1, '$栏目id', '$time', 1);\r\n\r\n";
其中
PHP:
--------------------------------------------------------------------------------
('',
是自动升序的文章id，要确定升序的字段只有一个，比如pa是标题一个表，一个索引，内容一个表一个索引，两表的自动升序的字段要实时判断的，要插入比较麻烦，被认为"不可插".
b,sql文本导出
我的思路是：
在函数里return
PHP:
--------------------------------------------------------------------------------
"INSERT INTO article_articles VALUES ('', '$title', '', '$body','', '', 'clinch', 'sohu', 'php', 1, '#clinchall#', '$time', 1);\r\n\r\n";
然后不断积累查询语句内容，最后
PHP:
--------------------------------------------------------------------------------
$fname="what_"."_page".$i.".sql";
$fp = fopen("data/$f", 'w');
if(fputs($fp, $sql))
echo "file successfully write";
fclose($fp);
根据小新的思路，非常不错
PHP:
--------------------------------------------------------------------------------
if(!empty($r_article) AND !empty($r_title))
{
$time=time();
$r_title=addslashes(trim($r_title));
$r_article=addslashes($r_article);
$get_sql="INSERT INTO article_articles VALUES ('', '$r_title', '', '$r_article','', '', '', 'sohu', '', 1, '', '$time', 1);\r\n\r\n";
if(file_exists("xingfu_".$_SESSION['p'].".sql"))
{
if(filesize("xingfu_".$_SESSION['p'].".sql")>$mysize)
{
$_SESSION['p']++;
}
}
$fp=fopen("xingfu_".$_SESSION['p'].".sql",'a');
fwrite($fp,$get_sql);
fclose($fp);
先判断是否得到标题和内容，然后生成sql语句放到文本中，还可以判断大小分页生成.
c.直接入库(入mysql)
找个db_mysql类后
直接
PHP: [Copy to clipboard]
--------------------------------------------------------------------------------
$DB->query("INSERT INTO `xxx` ( `xx` , `title` , `texts` , `sortid` ) VALUES ('', '".addslashes($title)."', '".addslashes($text)."', '".$mm."')");
4，问题
a,其实采集大多需要具体问题具体分析，想做通用的很难.
换句话说，要做到让不懂正则的人随便采集，那可需要高手的后台实现.
b,最大问题是内容切割部分，因为html代码具体情况很复杂，需要调试多次.希望有人做出个类来.
c，当切不到时处理不好会中断，注意容错.用SESSION控制可以避免很多麻烦.当 timeout的时候，刷新下就ok了.延长脚本运行时间可以@set_time_limit(0)
数据采集，大部分是用正则表达式，我简单地介绍下如何实现采集的思路.这里说的是php的实现.一般是本机运行，放到空间上是不明智的，因为不但很耗资源还需要支持远程抓取函数，比如file_get_contents($urls)file($url)等.
1，文章列表页面的自动切换，以及文章路径的获得.
2，获得：标题，内容
3，入库
4，问题
1，文章列表页面的自动切换，以及文章路径的获得.
a，列表页面的自动切换一般依赖动态页面来实现.比如
http://www.phpfirst.com/foru ... d=1&page=$i
可以在后面利用$i的自动增加或范围来实现，比如$i++;
也可以像penzi演示的那个一样，要从第几页到第几页，代码方面控制$i的范围就可以.
b，文章路径的获得分需要填正则和无需填正则2种：
1)无需填正则就是获得上面的文章列表页面的所有连接
但是最好对连接进行过滤，处理---判断重复连接，只留一个，处理相对路径，变成绝对路径.比如../ 和./等.
以下是我写的乱七八糟的实现函数：
PHP:
--------------------------------------------------------------------------------
//$e=clinchgeturl("http://phpfirst.com/forumdisplay.php?fid=1");
//var_dump($e);
function clinchgeturl($url)
{
//$url="http://127.0.0.1/1.htm";
//$rootpath="http://fsrootpathfsfsf/yyyyyy/";
//var_dump($rrr);
if(eregi('(.)*[\.](.)*',$url)){
$roopath=split("\/",$url);
$rootpath="http://".$roopath[2]."/";
$nnn=count($roopath)-1;for($yu=3;$yu<$nnn;$yu++){$rootpath.=$roopath[$yu]."/";}
// var_dump($rootpath); //http: ,'',127.0.0.1,xnml,index.php
}
else{$rootpath=$url; //var_dump($rootpath);
}
if(isset($url)){
echo "$url 有下列裢接：
";
$fcontents = file($url);
while(list(,$line)=each($fcontents)){
while(eregi('(href[[:space:]]*=[[:space:]]*"?[[:alnum:]:@/._-]+[\?]?[^\"]*"?)',$line,$regs)){
//$regs[1] = eregi_replace('(href[[:space:]]*=[[:space:]]*\"?)([[:alnum:]:@/._-]+)(\"?)',"\\2",$regs[1]);
$regs[1] = eregi_replace('(href[[:space:]]*=[[:space:]]*[\"]?)([[:alnum:]:@/._-]+[\?]?[^\"]*)(\.*)[^\"\/]*([\"]?)',"\\2",$regs[1]);
if(!eregi('^http:\/\/',$regs[1])){
if(eregi('^\.\.',$regs[1])){
// $roopath=eregi_replace('(http:\/\/)?([[:alnum:]:@/._-]+)[[:alnum:]+](\.*)[[:alnum:]+]',"http:\/\/\\2",$url);
$roopath=split("\/",$rootpath);
$rootpath="http://".$roopath[2]."/";
//echo "这是根本d ："."\n";
$nnn=count($roopath)-1;for($yu=3;$yu<$nnn;$yu++){$rootpath.=$roopath[$yu]."/";}
//var_dump($rootpath);
if(eregi('^\.\.[\/[:alnum:]]',$regs[1])){
//echo "这是../目录/ ："."\n";
//$regs[1]="../xx/xxxxxx.xx";
// $rr=split("\/",$regs[1]);
//for($oooi=1;$oooi
$rrr=$regs[1];
// {$rrr.="/".$rr[$oooi];
$rrr = eregi_replace("^[\.][\.][\/]",'',$rrr); //}
$regs[1]=$rootpath.$rrr;
}
}else{
if(eregi('^[[:alnum:]]',$regs[1])){ $regs[1]=$rootpath.$regs[1]; }
else{ $regs[1] = eregi_replace("^[\/]",'',$regs[1]); $regs[1]=$rootpath.$regs[1]; }
}
}
$line = $regs[2];
if(eregi('(.)*[\.](htm|shtm|html|asp|aspx|php|jsp|cgi)(.)*',$regs[1])){
$out[0][]=$regs[1]; }
}
}
}for ($ouou=0;$ouou
{
if($out[0][$ouou]==$out[0][$ouou+1]){
$sameurlsum=1;
//echo "sameurlsum=1:";
for($sameurl=1;$sameurl
if($out[0][$ouou+$sameurl]==$out[0][$ouou+$sameurl+1]){$sameurlsum++;}
else{break;}
}
for($p=$ouou;$p
{ $out[0][$p]=$out[0][$p+$sameurlsum];}
}
}
$i=0;
while($out[0][++$i]) {
//echo $root.$out[0][$i]."\r\n";
$outed[0][$i]=$out[0][$i];
}
unset($out);
$out=$outed; return $out;
}
?>
上面的东西只能zend，不然有碍市容：(
得到所有唯一的连接后，放到数组
2)需要填正则的处理
如果要准确地获得需要的文章连接，就用这个办法
按照ketle的思路
用
PHP:
--------------------------------------------------------------------------------
function cut($file,$from,$end){
$message=explode($from,$file);
$message=explode($end,$message[1]);
return $message[0];
}
$from是列表前面的html代码
$end是列表后面的html代码
以上可以通过表单提交参数.
对列表页面不是列表的部分去除，剩下的是需要的连接，
只要再通过下面正则得到：
PHP:
--------------------------------------------------------------------------------
preg_match("/^(http:\/\/)?(.*)/i",
$url, $matches);
return $matches[2];
2，获得：标题，内容
a首先，利用得到的文章路径，读取目标路径
可以通过以下函数：
PHP:
--------------------------------------------------------------------------------
function getcontent($url) {
if($handle = fopen ($url, "rb")){
$contents = "";
do {
$data = fread($handle, 2048);
if (strlen($data) == 0) {
break;
}
$contents .= $data;
} while(true);
fclose ($handle);
}
else
exit("........");
return $contents;
}
或者直接
PHP:
--------------------------------------------------------------------------------
file_get_contents($urls);
后者比较方便，但是缺点对比上面的就知道.
b,接下来得到标题：
一般用这个实现：
PHP:
--------------------------------------------------------------------------------
preg_match("||",$allcontent,$title);
里面的部分通过提交表单得到.
也可以通过一系列的cut函数
比如上面提过的function cut($file,$from,$end)，具体的字符串切割可以通过字符处理函数切割实现，后面"取得内容"详细讲.
c,取得内容
取得内容方面和取得标题思路一样但情况比较复杂，因为内容附近不会是这么简单.
1)内容附近的特征字符串有双引号,空格,换行符号等是大障碍
双引号需要变成 \" 可以通过addslashes()处理
换行符号要去掉 可以通过
PHP:
--------------------------------------------------------------------------------
$a=ereg_replace("\n", '', $a);
$a=ereg_replace("\r", '', $a);
去掉.
2)思路2，利用一大堆切割相关的函数对内容提取，需要大量的实践，调试，我正在弄这里，没有获得什么突破～～～～～～～～
3，入库
a,切保你的数据库可以插入
比如我的可以这样直接插入：
PHP:
--------------------------------------------------------------------------------
$sql="INSERT INTO $articles VALUES ('', '$title', '', '$article','', '', 'clinch', 'from', '关键词', 1, '$栏目id', '$time', 1);\r\n\r\n";
其中
PHP:
--------------------------------------------------------------------------------
('',
是自动升序的文章id，要确定升序的字段只有一个，比如pa是标题一个表，一个索引，内容一个表一个索引，两表的自动升序的字段要实时判断的，要插入比较麻烦，被认为"不可插".
b,sql文本导出
我的思路是：
在函数里return
PHP:
--------------------------------------------------------------------------------
"INSERT INTO article_articles VALUES ('', '$title', '', '$body','', '', 'clinch', 'sohu', 'php', 1, '#clinchall#', '$time', 1);\r\n\r\n";
然后不断积累查询语句内容，最后
PHP:
--------------------------------------------------------------------------------
$fname="what_"."_page".$i.".sql";
$fp = fopen("data/$f", 'w');
if(fputs($fp, $sql))
echo "file successfully write";
fclose($fp);
根据小新的思路，非常不错
PHP:
--------------------------------------------------------------------------------
if(!empty($r_article) AND !empty($r_title))
{
$time=time();
$r_title=addslashes(trim($r_title));
$r_article=addslashes($r_article);
$get_sql="INSERT INTO article_articles VALUES ('', '$r_title', '', '$r_article','', '', '', 'sohu', '', 1, '', '$time', 1);\r\n\r\n";
if(file_exists("xingfu_".$_SESSION['p'].".sql"))
{
if(filesize("xingfu_".$_SESSION['p'].".sql")>$mysize)
{
$_SESSION['p']++;
}
}
$fp=fopen("xingfu_".$_SESSION['p'].".sql",'a');
fwrite($fp,$get_sql);
fclose($fp);
先判断是否得到标题和内容，然后生成sql语句放到文本中，还可以判断大小分页生成.
c.直接入库(入mysql)
找个db_mysql类后
直接
PHP: [Copy to clipboard]
--------------------------------------------------------------------------------
$DB->query("INSERT INTO `xxx` ( `xx` , `title` , `texts` , `sortid` ) VALUES ('', '".addslashes($title)."', '".addslashes($text)."', '".$mm."')");
4，问题
a,其实采集大多需要具体问题具体分析，想做通用的很难.
换句话说，要做到让不懂正则的人随便采集，那可需要高手的后台实现.
b,最大问题是内容切割部分，因为html代码具体情况很复杂，需要调试多次.希望有人做出个类来.
c，当切不到时处理不好会中断，注意容错.用SESSION控制可以避免很多麻烦.当 timeout的时候，刷新下就ok了.延长脚本运行时间可以@set_time_limit(0)