关于PHP新闻抓取的问题

qing205 2003-10-20 10:38:52
//代码
//-------------------------
<?php
function showfc($filename)
{
$txt=file($filename);
$i=0;
while ($i<4291) //新浪新闻首页大概4291行
{
echo ($txt[$i]);//在本地输出新浪的所有新闻
$i++;
}
}
showfc("http://news.sina.com.cn/");
?>
//-------------------------
问题:
为什么在抓取新浪的新闻只能抓取一小部分,而且特别的耗时,大概抓了一分钟左右
而抓取本地网页http://127.0.0.1/则可以正常抓取!
高手帮忙看有什么解决办法或更好的方法!
...全文
655 8 打赏 收藏 转发到动态 举报
写回复
用AI写文章
8 条回复
切换为时间正序
请发表友善的回复…
发表回复
qing205 2003-10-20
  • 打赏
  • 举报
回复
整个页面都抓不好如何谈分析内容呢?

楼上的你对抓取整个页面有何高见?我看了好几个PHP抓取新闻的程序都使用file函数,但是他的效率是在是太低,难道是我网络原因?

我把这段程序放在服务器上抓取本地的网页好快,但是抓取新浪的好慢,抓取www.php.net都比sina的快,奇怪!郁闷!


jxyuhua 2003-10-20
  • 打赏
  • 举报
回复
顺便问一下,这样抓只能抓整个页面,明显是不实用的,有什么办法可以实现精确
一些的抓取吗?比如只抓取某一部分的新闻如国内新闻等?
希望高手帮忙。
entice 2003-10-20
  • 打赏
  • 举报
回复
速度挺快啊.当然和网速有关系了...
qing205 2003-10-20
  • 打赏
  • 举报
回复
entice(踏雪寻梅) 你写的那段代码你测试过了吗? 效率怎样?
我测试了一下 跟我的那段代码效率好像没什么区别 还是慢!
feel8 2003-10-20
  • 打赏
  • 举报
回复
抓取一部分新闻,跟下面的文章道理是一样的。。。




搜索引擎技术核心揭密(PHP)

作者:沙雨
编者按:这是一篇精彩的编程教学文章,不但详细地剖析了搜索引擎的原理,也提供了笔者自己对使用PHP编制搜索引擎的一些思路。整篇文章深入浅出,相信无论是高手还是菜鸟,都能从中得到不少的启发。

  谈到网页搜索引擎时,大多数人都会想到雅虎。的确,雅虎开创了一个互联网络的搜索时代。然而,雅虎目前用于搜索网页的技术却并非该公司原先自己开发的。2000年8月,雅虎采用了google(www.google.com)这家由斯坦福大学学生创建的风险公司的技术。理由非常简单,google的搜索引擎比雅虎先前使用的技术能更快、更准确搜索到所需要的信息。

  让我们自己来设计、开发一个强劲、高效的搜索引擎和数据库恐怕短时间内在技术、资金等方面是不可能的,不过,既然雅虎都在使用别人的技术,那么我们是不是也可以使用别人现成的搜索引擎网站呢?

剖析编程思路

  我们可以这样设想:模拟一个查询,向某个搜索引擎网站发出相应格式的搜索命令,然后传回搜索结果,对结果的HTML代码进行分析,剥离多余的字符和代码,最后按所需要的格式显示在我们自己的网站页面里。

  这样,问题的关键就在于,我们要选定一个搜索信息准确(这样我们的搜索才会更有意义啊)、速度快(因为我们分析搜索结果并显示需要额外的时间),搜索结果简洁(便于进行HTML源代码分析和剥离)的搜索网站,由于新一代搜索引擎google的各种优良特性,这里我们选择它为例,来看看用PHP怎样实现后台对google(www.google.com)搜索、前台个性化显示这一过程。

  我们先来看看google的查询命令的构成。进入www.google.com网站,在查询栏中输入“abcd”,点击查询按钮,我们可以发现浏览器的地址栏变成:"http://www.google.com/search?q=abcd&btnG=google%CB%D1%CB%F7&hl=zh-CN&lr=",可见,google是通过表单的get方式来传递查询参数并递交查询命令的。我们可以使用PHP中的file()函数来模拟这个查询过程。

了解File()函数

  语法: array file(string filename);

  返回值为数组,将文件全部读入数组变量中。这里的文件可以是本地的,也可以是远程的,远程文件必须指明所使用的协议。例如: result=file(“google.com/search?q=abcd&btnG=google%CB%D1%CB%F7&hl=zh-CN&lr=" target="_blank">http://www.google.com/search?q=a ... mp;hl=zh-CN&lr=”),该语句将模拟我们在google上查询单词“abcd”的过程,并将搜索结果以每行为元素,传回到数组变量 result中。因为这里读取的文件是远程的,所以协议名“http://”不能缺少。

  如果要让用户输入搜索字符进行任意搜索,我们可以做一个输入文本框和提交按钮,并将上文中的被搜索字符“abcd”用变量替换:
<?php
echo '<form>'; //没有参数的form,默认提交方式为get,提交到本身
echo '<input type="text" name="keywords">'; //构造一个文本输入框
echo '<input type="submit" value="查询">'; //构造一个提交查询按钮
echo '</form>';

if (isset( keywords)) //提交后PHP会生成变量 kwywords,即要求下面的程序在提交后运行
{
urlencode( keywords); //对用户输入内容进行URL编码
result=file("http://www.google.com/search?q=". keywords."&btnG=google%CB%D1%CB%F7&hl=zh-CN&lr=");
//对查询语句进行变量替换,将查询结果保存在数组变量 result中
result_string=join(" ", result); //将数组$result合并成字符串,各数组元素之间用空格粘和
... //进一步处理
}
?>

  上面的这段程序已经能按用户输入内容进行查询,并将返回的结果合成一个字符串变量$result_string。请注意要使用urlencode()函数将用户输入内容进行URL编码,才可以正常地对输入的汉字、空格以及其他特殊字符进行查询,这样做也是尽可能逼真地模拟google的查询命令,保证搜索结果的正确性。

对google的分析

  为了便于理解,现在假设我们所真正需要的东西是:搜索结果的标题。网址和简介等,这是一个简洁而典型的需求。这样,我们所要做的便是:去除google搜索结果的台头和脚注,包括一个google的标志、再次搜索的输入框和搜索结果说明等,并且在剩余的搜索结果各项条目中剥离原来的HTML格式标记,替换成我们想要的格式。

  要做到这一点,我们必须仔细地分析google搜索结果的HTML源码,找到其中的规律。不难发现,在google的搜索结果的正文总是包含在源码的第一个<p>标记和倒数第二个<p>标记之间,并且倒数第二个<p>标记后紧跟table字符,而且这个组合“<p><table”在源码中也仅有一次,利用这个特点,我们可以这样去除google的台头和脚注。

  以下所有程序均依次接续在上文程序的“进一步处理”处。

  result_string = strstr( result_string, "<p>"); //取 result_string从第一个<p>开始后的字符串,以去除google台头
position= strpos( result_string,"<p>table符号的位置
result_string= substr( result_string,0, position);//截取第一个<p>table符号之前的字符串,以去除脚注

应用与实现

  OK,现在我们已经得到有用的HTML源码主干了,剩下的问题是如何自主地显示这些内容。我们再分析一下这些搜索结果条目,发现每个条目之间也是很有规律的用
分隔,也就是各成一个段落,按这个特点我们用explode()函数把每个条目切开:

  语法:explode(string separator, string string);

  返回一个数组,按separator切开后的各个小字串被保存在数组中。

  于是:
result_array=explode("<p>", result_string); //用字串"<p>"把结果切开

  我们就得到一个数组 result_array,其中每个元素都是一个搜索结果条目。我们所要做的仅仅是研究每个条目及其HTML显示格式代码,然后按要求替换就行了。下面用循环来处理 result_array中的每个条目。
for( i=0; i {
... //处理每个条目
}

  对于每个条目,我们也很容易找到一些特点:每个条目都由标题、摘要、简介、类别、网址等组成,每个部分都换行,即包含<br>标记,于是再次分割:(以下处理程序放在上文的循环中)
every_item=explode("<br>", result_array[ i]);

  这样我们得到一个数组 every_item,其中 every_item[0]就是标题, every_item[1]和 every_item[2]两行为摘要, every_item[3]和 every_item[4]等等的头部如果包含“<font size=-1 color=#6f6f6f >简介:</font>”、“< font size=-1 color=#6f6f6f>类别:< /font>”字符,则是简介或类别(因为有的结果条目没有该项),如果头部包含“< font color=green>”则肯定就是网址啦,这种对比判断我们常使用正则表达式(略),如果要替换也很方便,比如包含标题的$every_item[0],其本身是有链接的,我们希望修改这个链接属性,让它在新窗口打开链接:
echo eregi_replace(' {
... //处理每个条目中除去第一项(第一项为标题,已经显示)的每一项
... //更多格式修改
}

  这样就修改了链接属性,其余很多显示格式的修改、剥离、替换都能用正则替换eregi_replace()来完成。

  至此我们已经得到了每个搜索条目的每一项,并能任意修改每项的格式,甚至可以给他套上漂亮的表格。然而一个好的程序应该能适应各种运行环境的,这里也不例外,我们其实还只是讨论了搜索结果的HTML剥离的一种框架方法,真正要做得完美,还要考虑很多内容,比如要显示一共搜索出多少结果,分成多少页等等,甚至还可以刨除与google相关的那些“类别”、“简介”等代码,让客户根本看不到原始网站。不过这些内容和要求我们都能通过分析HTML进行剥离得到。现在大家完全能自己动手,做个极富个性化的搜索引擎啦。
navis 2003-10-20
  • 打赏
  • 举报
回复
up
我也想知道只抓取某一部分的新闻的具体代码
entice 2003-10-20
  • 打赏
  • 举报
回复
<?php
$filename = "http://www.sohu.com";
$html=file_get_contents($filename);
echo $html;
?>
qing205 2003-10-20
  • 打赏
  • 举报
回复
up 帮我看看啊 在线等待中....................

21,882

社区成员

发帖
与我相关
我的任务
社区描述
从PHP安装配置,PHP入门,PHP基础到PHP应用
社区管理员
  • 基础编程社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧