隨著時(shí)代的發(fā)展，社會(huì)越來(lái)越信息快速化，所以信息更新非常的迅速，這讓很多站長(zhǎng)在更新自家的網(wǎng)站信息時(shí)，顯得太浪費(fèi)時(shí)間，該怎么辦呢？那就是通過(guò)采集將別家的信息錄入到自家網(wǎng)站的數(shù)據(jù)庫(kù)中，這樣做可能對(duì)網(wǎng)站的優(yōu)化會(huì)有一定的影響，但這不是我們今天討論的話題，今天就用一個(gè)示例簡(jiǎn)單講一下網(wǎng)站采集的的過(guò)程

我們先來(lái)看下面的一個(gè)實(shí)例，這是客戶的網(wǎng)站要求采集太平洋網(wǎng)站的新聞，代碼如下圖所示（附說(shuō)明）：

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

采集網(wǎng)址

$ch = curl_init();

curl_setopt($ch, CURLOPT_URL, $url);//將為一個(gè)CURL會(huì)話設(shè)置選項(xiàng)。CURLOPT_URL參數(shù)是你想要的設(shè)置， 這是你想用PHP取回的URL地址,$url是這個(gè)選項(xiàng)給定的值

curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, 0);//如果有證書(shū)的https的，除去https里面的s,此句非常重要，不可刪除，否則帶有https的站點(diǎn)將無(wú)法打開(kāi)

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//所獲的內(nèi)容不輸出

$data=curl_exec($ch);//將頁(yè)面的內(nèi)容賦于$data,即$data就是我們打開(kāi)網(wǎng)頁(yè)后的內(nèi)容代碼

$data=iconv('gbk', 'utf-8',$data);//防止中文的亂碼，做轉(zhuǎn)碼處理

curl_close($ch);//關(guān)閉cURL 會(huì)話

咱們先打開(kāi)太平洋新聞網(wǎng),然后查看網(wǎng)頁(yè)源代碼，找到要采集的信息內(nèi)容，截圖下圖：

網(wǎng)頁(yè)截圖

根據(jù)上面的代碼，我們可以寫(xiě)一個(gè)正則表達(dá)：

$path = '#

(.*?)

(.*?)

(.*?)  |  (.*?)

#is';           preg_match_all($path,$data,$arr);//正則匹配，其中$path是匹配的規(guī)則，$data是想要匹配的內(nèi)容，$datapath給定正則表達(dá)式 的匹配結(jié)果并且將它們以flag指定順序輸出到$arr中.

$array = array();//初始化一個(gè)數(shù)組

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

if($k==3||$k==4||$k==5||$k==6||$k==9){ //想要的參數(shù)有哪些

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

if(!empty($array)){

$array = array_values($array);//重置數(shù)組key，讓數(shù)組的key從0開(kāi)始計(jì)算，也可以不重置，但不要弄錯(cuò)

}

/*

# 其中

$array[0] 是信息的圖片相對(duì)地址的數(shù)組

$array[1] 是信息鏈接地址的數(shù)組

$array[2] 是信息標(biāo)題的數(shù)組

$array[3] 是信息列表簡(jiǎn)介的數(shù)組

$array[4] 是信息時(shí)間的數(shù)組

Print_r($array);根據(jù)輸入的數(shù)組信息就知道如何把數(shù)據(jù)添加到數(shù)據(jù)庫(kù)了，然后根據(jù)url再采集信息里面的詳細(xì)內(nèi)容，以達(dá)到采集整條信息的完整性

*/