先建資料表結構,如下所示:

 

CREATE TABLE `article`.`article` (
`id` MEDIUMINT( 8 ) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY ,
`title` VARCHAR( 255 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`date` VARCHAR( 50 ) NOT NULL ,
`author` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`source` VARCHAR( 100 ) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL ,
`content` TEXT NOT NULL
) ENGINE = MYISAM CHARACTER SET utf8 COLLATE utf8_general_ci;

 

抓取程式:
<?php
/**
* 抓取「華強電子網」資訊程式
* author Lee.
* Last modify $Date: 2012-1-3 15:39:35 $
*/
header('Content-Type:text/html;Charset=utf-8');
$mysqli = new mysqli('localhost', 'root', '1715544', 'article'); # 資料庫連接,請手動修改您自己的資料庫資訊
$mysqli->set_charset('UTF8'); # 設置資料庫編碼
function data($url) {
global $mysqli;
$result = file_get_contents($url); # $result 獲取 url 連結內容(注意:這裡是文章清單連結)
$pattern = '/<li><span class="box_r">.+<\/span><a href="([^"]+)" title=".+" >.+<\/a><\/li>/Usi'; # 取得文章 url 的匹配正則
preg_match_all($pattern, $result, $arr); # 把文章清單 url 分配給陣列$arr(二維陣列)
foreach ($arr[1] as $val) {
$val = 'HTTP://www.hqew.com' . $val; # 真實文章 url 位址
$re = file_get_contents($val); # $re 為文章 url 的內容
$pa = '/<div id="article">\s+<h1>(.+)<\/h1>\s+<p id="article\_extinfo">\s+發佈:\s+(.+)\s+\|\s+作者:\s+(.+)\s+\|\s+來源:\s+(.*?)\s+<span style="display:none" >.+<div id="article_body">\s*(.+)\s+<\/div>\s+<\/div><!--article end-->/Usi'; # 取得文章內容的正則
preg_match_all($pa, $re, $array); # 把取到的內容分配到陣列 $array
$content = trim($array[5][0]);
$con = array(
'title'=>mysqlString($array[1][0]),
'date'=>mysqlString($array[2][0]),
'author'=>mysqlString(stripAuthorTag($array[3][0])),
'source'=>mysqlString($array[4][0]),
'content'=>mysqlString(stripContentTag($content))
);
$sql = "INSERT INTO article(title,date,author,source,content) VALUES ('{$con['title']}','{$con['date']}','{$con['author']}','{$con['source']}','{$con['content']}')";
$row = $mysqli->query($sql); # 添加到資料庫
if ($row) {
echo 'add success!';
} else {
echo 'add failed!';
}
}
}
/**
* stripOfficeTag($v) 對文章內容進行過濾,比如:去掉文章中的連結,過濾掉沒有的 HTML 標籤......
* @param string $v
* @return string
*/
function stripContentTag($v){
$v = str_replace('<p>&nbsp;</p>', '', $v);
$v = str_replace('<p />', '', $v);
$v = preg_replace('/<a href=".+" target="\_blank"><strong>(.+)<\/strong><\/a>/Usi', '\1', $v);
$v = preg_replace('%(<span\s*[^>]*>(.*)</span>)%Usi', '\2', $v);
$v = preg_replace('%(\s+class="Mso[^"]+")%si', '', $v);
$v = preg_replace('%( style="[^"]*mso[^>]*)%si', '', $v);
$v = preg_replace('/<b><\/b>/', '', $v);
return $v;
}

 

/**
* stripTitleTag($title) 對文章標題進行過濾
* @param string $v
* @return string
*/
function stripAuthorTag($v) {
$v = preg_replace('/<a href=".+" target="\_blank">(.+)<\/a>/Usi', '\1', $v);
return $v;
}

 

/**
* mysqlString($str) 過濾資料
* @param string $str
* @return string
*/
function mysqlString($str) {
return addslashes(trim($str));
}

 

/**
* init($min, $max) 入口程式方法,從 $min 頁開始取,到 $max 頁結束
* @param int $min 從 1 開始
* @param int $max
* @return string 返回 URL 位址
*/
function init($min=1, $max) {
for ($i=$min; $i<=$max; $i++) {
data("HTTP://www.hqew.com/info-c10-{$i}.html");
}
}
init(1, 500); #程式入口
?>

檔案下載:43270597

創作者介紹
創作者 shadow 的頭像
shadow

資訊園

shadow 發表在 痞客邦 留言(0) 人氣()