PHP使用file_get_contents()函数实现采集网页

 采集网页关键在于两个地方：

1. 如何获取目标网页HTML源代码。

2. 如何使用正则匹配出需要的内容。
   

我们使用《终于到了。》这篇文章作为目标网页，获取网页源代码比较简单的方法就是使用 file_get_contents() 函数，使用方法：

$content = file_get_contents('http://www.diary/17.html')；

变量 $content 就是用来储存我们使用 file_get_contents() 获取的网页源代码。

接下来就是如何使用正则匹配出正文内容，我们先用浏览器打开这个页面，然后右键查看源代码，找到正文处代码。

找到包裹着正文的HTML标签，就可以使用 preg_match_all() 函数匹配出正文。

preg_match_all('/

(.*)

/', $content, $result);

使用 var_dump() 函数打印 $result 变量。

从图中可以看出，打印出了一个二维数组，虽然匹配出了正文，但是里面还有一些HTML标签，接下来要做的就是使用 str_replace() 函数去掉这些标签。

$arr = array('

', '

', '
');$result = str_replace($arr, '', $result[0][0]);

最后输出变量 $result 就可以了。

运行结果：

完整代码：

(.*)

/', $content, $result); //使用正则匹配出正文$arr = array('

', '

', '
'); //需要去除的HTML标签数组$result = str_replace($arr, '', $result[0][0]);  //去除HTML标签echo $result; //输出正文?>

最后总结，使用PHP采集网页需要注意的地方是，file_get_contents() 获取网页源代码的效率比较低，推荐使用 curl。还有就是正则表达式，正则表达式需要根据网页源代码来编写，并不是一成不变的。关于 curl 和正则表达式的知识可以使用百度了解！

原文链接： http://www./php/19.html，尊重共享，欢迎转载！