一个简单的网站采集的的过程

随着时代的发展，社会越来越信息快速化，所以信息更新非常的迅速，这让很多站长在更新自家的网站信息时，显得太浪费时间，该怎么办呢？那就是通过采集将别家的信息录入到自家网站的数据库中，这样做可能对网站的优化会有一定的影响，但这不是我们今天讨论的话题，今天就用一个示例简单讲一下网站采集的的过程

我们先来看下面的一个实例，这是客户的网站要求采集太平洋网站的新闻，代码如下图所示（附说明）：

header("content-type:text/html;charset=utf-8");//

采集网址

$ch = curl_init();

curl_setopt($ch, CURLOPT_URL, $url);//将为一个CURL会话设置选项。CURLOPT_URL参数是你想要的设置， 这是你想用PHP取回的URL地址,$url是这个选项给定的值

curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, 0);//如果有证书的https的，除去https里面的s,此句非常重要，不可删除，否则带有https的站点将无法打开

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//所获的内容不输出

$data=curl_exec($ch);//将页面的内容赋于$data,即$data就是我们打开网页后的内容代码

$data=iconv('gbk', 'utf-8',$data);//防止中文的乱码，做转码处理

curl_close($ch);//关闭cURL 会话

咱们先打开太平洋新闻网,然后查看网页源代码，找到要采集的信息内容，截图下图：

网页截图

根据上面的代码，我们可以写一个正则表达：

$path = '#

(.*?)

(.*?)

(.*?)  |  (.*?)

#is';           preg_match_all($path,$data,$arr);//正则匹配，其中$path是匹配的规则，$data是想要匹配的内容，$datapath给定正则表达式 的匹配结果并且将它们以flag指定顺序输出到$arr中.

$array = array();//初始化一个数组

foreach($arr as $k=>$v){

if($k==3||$k==4||$k==5||$k==6||$k==9){ //想要的参数有哪些

$array[$k] = $v;}}

if(!empty($array)){

$array = array_values($array);//重置数组key，让数组的key从0开始计算，也可以不重置，但不要弄错

}

/*

# 其中

$array[0] 是信息的图片相对地址的数组

$array[1] 是信息链接地址的数组

$array[2] 是信息标题的数组

$array[3] 是信息列表简介的数组

$array[4] 是信息时间的数组

Print_r($array);根据输入的数组信息就知道如何把数据添加到数据库了，然后根据url再采集信息里面的详细内容，以达到采集整条信息的完整性

*/