从其他网站抓数据

缘由

吃饭的时候和朋友聊天，谈到他上一个项目，他去抓其他网站的数据，然后用canvas画出走势图。吸引我的是前面的抓数据，以前从来没有尝试过，一定会很有意思了！

开始

听他讲大致就是用jsonp去请求，然后读取json吧。感觉这种方式不太好，因为只有目标网站提供了相应接口，才能去请求，然后解析收到的数据。 自己尝试用jsonp去请求一些数据，于是找数据接口，不过好少。目前找到的下面几个： （浏览器中打开的json格式不太好看，请读者朋友把下面的json拷到http://jsonformatter.curiousconcept.com/

朋友项目中用到的：

http://jry.baidao.com/api/hq/npdata.do

天气：

http://www.weather.com.cn/data/sk/101281601.html

http://www.weather.com.cn/data/cityinfo/101281601.html

http://m.weather.com.cn/data/101281601.html //东莞天气

….

新浪：

https://api.weibo.com/2/statuses/public_timeline.json?source=1105337522//获取公共微博注意.最后为你的appkey。

https://api.weibo.com/2/account/get_uid.json?source=1105337522//获取授权用户UID.

https://api.weibo.com/2/statuses/friends_timeline.json?source=1105337522 获取当前登录用户及其所关注用户的最新微博

https://api.weibo.com/2/statuses/user_timeline.json?source=1105337522//获取用户最新的微博

…

豆瓣：

http://api.douban.com/v2/user/freestyle21//获取用户信息

http://api.douban.com/shuo/v2/statuses/user_timeline/freestyle21//获取用户时间线

…

在用jsonp请求数据的时候，只需要把url换成上面的就可以了，然后在回调函数里面处理返回的json数据就好了。

文章的标题叫做抓数据，但是到此为止好像只有请求数据，没有抓。。

然后

尽管上面找的那些链接能够完成很多事情，但是，让我不爽的是提供接口的网站并不多。要是我想要虎扑上的比赛数据呢？要是我想要河畔最新的贴子呢？

于是，又开始在网上找可以抓取任意网站数据的方法。在一篇文章中看到了火车头采集器，去下载了。把它的论坛上三个视频看了，感觉这个只是适合站长，不太适合普通开发者。不过功能真的是比较强大。这里不讲了，有兴趣的可以从这里去看下。

然后接着查询。。印象中python和java比较适合干这样的事，但是对这两门语言都不太熟悉，故还是想从熟悉的东西着手。咨询几个朋友，原来php也可以抓取数据～～

查看了几个例子，自己实验了一番，总结如下。

通过fopen来读取要抓取的网页

下面的例子来抓取我博客的title

<?php
    $file = fopen ("http://freestyle21.cn/", "r"); 
    if (!$file) { 
        echo "<font color=red>Unable to open remote file.</font>\n"; 
        exit; 
    } 
    while (!feof ($file)) { 
        $line = fgets ($file, 1024); 
        if (eregi ("<title>(.*)</title>", $line, $out)) { 
            $title = $out[1]; 
            echo "".$title.""; 
            break; 
        } 
    } 
    fclose($file); 
?>  

获取我博客所有代码

<?php
    $fp = fsockopen("freestyle21.cn", 80, $errno, $errstr, 30); 
    if (!$fp) { 
       echo "$errstr ($errno)<br/>\n"; 
    } else { 
       $out = "GET / HTTP/1.1\r\n"; 
       $out .= "Host: freestyle21.cn \r\n"; 
       $out .= "Connection: Close \r\n\r\n"; 
       fputs($fp, $out); 
       while (!feof($fp)) { 
         echo fgets($fp, 128); 
       } 
       fclose($fp); 
    }
?>

通过curl／DOMDocument／DOMXpath抓取数据

上面的那种方式或许还不能叫抓数据。因为对返回的HTML处理不够。 然后，我们知道在php中curl可以抓取下载html（也可以模拟登录，伪装客户端等），DOMDocument可以刚刚下载的HTML加载成DOM，DOMXPath则可以使用XPath语法进行数据的定位和采集。幸运的是，对于前端来说，三个都比较熟悉，所以就比较简单了。

抓博客中所有的链接url

<?php
    $target_url = "http://freestyle21.cn";
    $ch = curl_init();

    //执行之前，设置一些参数
    curl_setopt($ch, CURLOPT_URL,$target_url);
    curl_setopt($ch, CURLOPT_FAILONERROR, true);
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
    curl_setopt($ch, CURLOPT_AUTOREFERER, true);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER,true);
    curl_setopt($ch, CURLOPT_TIMEOUT, 10);
    $html = curl_exec($ch);

    if (!$html) {
        echo "<br />cURL error number:" .curl_errno($ch);
        echo "<br />cURL error:" . curl_error($ch);
        exit;
    }

    //创建一个DomDocument对象，用于处理一个HTML
    $dom = new DOMDocument();

    //从一个字符串加载HTML
    @$dom->loadHTML($html);

    //使该HTML规范化
    $dom->normalize();

    //用DOMXpath加载DOM，用于查询
    $xpath = new DOMXPath($dom);

    //获取所有的a标签的地址
    $hrefs = $xpath->evaluate("/html/body//a//@href");

    for ($i = 0; $i < $hrefs->length; $i++) {
        $href = $hrefs->item($i);
        $linktext = $href->nodeValue;
        echo $linktex;
        echo "<BR>";
    }
?>

结果如下；

如果想要抓取博客中的“这里记载着帅气的博主的技术成长过程，也会时而发下生活的牢骚”，这几个字，把xpath改成：

$hrefs = $xpath->evaluate("/html/body//div//h2");

如果想要抓取”freestyle21”几个字母，改成：

$hrefs = $xpath->evaluate("/html/body//div//a//h1");

如果想要抓去最下面的描述“一个老男人,今年22岁.一枚程序员，Web前端！一只科蜜，季后赛！”，改成

$hrefs = $xpath->evaluate("/html/body//div//ul//li");

到此，要抓取给定网页的任意数据就比较简单了，最终任务转换到解析DOM。而这，又是没有前端都擅长的～

总结

总的来说，用这篇文章中的方法抓取数据都不是最科学的，因为我们必须要读取所以的HTML，这样效率肯定比较低。最科学的方式还是不用下到本地服务器，直接读取。以后有需求了，还是学下Python和Java的抓取方式～～