是使用PHP程序，把其他网站中的信息抓取到我们自己的数据库中、网站中。

PHP制作采集的技术：

从底层的socket到高层的文件操作函数，一共有3种方法可以实现采集。

1. 使用socket技术采集：

socket采集是最底层的，它只是建立了一个长连接，然后我们要自己构造http协议字符串去发送请求。

例如要想获取这个页面的内容，http://tv.youku.com/?spm=a2hww.20023042.topNav.5~1~3!2~A，用socket写如下：

//连接,￥error错误编号,￥errstr错误的字符串,30s是连接超时时间

￥fp=fsockopen("www.youku.com",80,￥errno,￥errstr,30);

if(!￥fp) die("连接失败".￥errstr);

//构造http协议字符串，因为socket编程是最底层的，它还没有使用http协议

￥http="GET /?spm=a2hww.20023042.topNav.5~1~3!2~A HTTP/1.1\r\n"; // \r\n表示前面的是一个命令

￥http.="Host:www.youku.com\r\n"; //请求的主机

￥http.="Connection:close\r\n\r\n"; // 连接关闭，最后一行要两个\r\n

//发送这个字符串到服务器

fwrite(￥fp,￥http,strlen(￥http));

//接收服务器返回的数据

￥data='';

while (!feof(￥fp)) {

￥data.=fread(￥fp,4096); //fread读取返回的数据，一次读取4096字节

}

//关闭连接

fclose(￥fp);

var_dump(￥data);

?>

打印出的结果如下，包含了返回的头信息及页面的源码：

2. 使用curl_一套函数

curl把HTTP协议都封装成了很多函数，直接传相应参数即可，降低了编写HTTP协议字符串的难度。

前提：在php.ini中要开启curl扩展。

2. 使用curl_一套函数

curl把HTTP协议都封装成了很多函数，直接传相应参数即可，降低了编写HTTP协议字符串的难度。

前提：在php.ini中要开启curl扩展。

[php] view plain copy

//生成一个curl对象

￥curl=curl_init();

//设置URL和相应的选项

curl_setopt(￥curl, CURLOPT_URL, "http://www.youku.com");

curl_setopt(￥curl, CURLOPT_RETURNTRANSFER, 1); //将curl_exec()获取的信息以字符串返回，而不是直接输出。

//执行curl操作

￥data=curl_exec(￥curl);

var_dump(￥data);

打印出的结果如下，只包含页面的源码：

3. 直接使用file_get_contents（最顶层的）

前提：在php.ini中设置允许打开一个网络的url地址。

[php] view plain copy

//使用file_get_contents()

￥data=file_get_contents("http://www.youku.com");

var_dump(￥data);

3种方式的选择

网络之间通信主要使用的是以上三种。其中后两种用的较多：如果要批量采集大量的数据时使用第二种【CURL】，性能好、稳定。

偶尔发几个请求发的频繁不密集时使用第三种。

扩展：图片的防盗链如何破？

比如7060网站上的图片做了防盗链：在他的网站中可以看到图片，把图片拿到站外就无法访问。

解决办法：发HTTP时自己模拟referer即可：

扩展：有些要采集数据时时必须先登录，可以使用模拟的试模拟在登录状态下的采集：

a. 先用浏览登录一下，登录完，浏览器的COOKIE中就会有SESSIONID

b. 发PHP发HTTP协议时，把浏览器中的SESSIONID放到PHP的HTTP协议请求里，这样就在以登录的状态发请求。

总结：所有客户端发过来的数据都可以被模拟，所以服务器上的程序必须要必要的地方过滤客户端的数据。

什么时候用以上东西？接口开发时、采集时。

二、数据采集

例如我要采集这个url里的所有美国电影的信息,

http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html

则先要知道电影所在的节点的结构，我们使用firebug查看。

然后开始写代码：完整代码如下

[php] view plain copy

/**

* 发一个GET请求获取数据

*/

function get(￥url)

{

global ￥curl;

// 配置curl中的http协议->可配置的荐可以查PHP手册中的curl_

curl_setopt(￥curl, CURLOPT_URL, ￥url);

curl_setopt(￥curl, CURLOPT_RETURNTRANSFER, TRUE);

curl_setopt(￥curl, CURLOPT_HEADER, FALSE);

// 执行这个请求

return curl_exec(￥curl);

}

// 生成一个curl对象

￥curl = curl_init();

￥url='http://list.youku.com/category/show/c_96_a_%E7%BE%8E%E5%9B%BD_s_1_d_1_p_3.html';

￥data=get(￥url);

// 匹配电影所在位置

￥list_preg = '/