小偷程序其實就是利用了php中的一特定函數實現采集別人網站的內容，然後通過正則分析把我們想要的內容保存到自己本地數據庫了，下面我來介紹php小偷程序的實現方法，有需要的朋友可參考。
在下面采集數據過程中file_get_contents函數是關鍵了，下面我們來看看file_get_contents函數語法
string file_get_contents ( string $filename [, bool $use_include_path = false [, resource $context [, int $offset = -1 [, int $maxlen ]]]] )
和 file() 一樣，只除了 file_get_contents() 把文件讀入一個字符串。將在參數 offset 所指定的位置開始讀取長度為 maxlen 的內容。如果失敗， file_get_contents() 將返回 FALSE。
file_get_contents() 函數是用來將文件的內容讀入到一個字符串中的首選方法。如果操作系統支持還會使用內存映射技術來增強性能。
例
代碼如下 復制代碼<?php
$homepage = file_get_contents('http://www.hzhuti.com/');
echo $homepage;
?>
這樣$homepage就是我們采集網的內容給保存下來了，好了說了這麼多我們開始吧。
例
代碼如下 復制代碼<?php
function fetch_urlpage_contents($url){
$c=file_get_contents($url);
return $c;
}
//獲取匹配內容
function fetch_match_contents($begin,$end,$c)
{
$begin=change_match_string($begin);
$end=change_match_string($end);
$p = "{$begin}(.*){$end}";
if(eregi($p,$c,$rs))
{
return $rs[1];}
else { return "";}
}//轉義正則表達式字符串
function change_match_string($str){
//注意，以下只是簡單轉義
//$old=array("/","$");
//$new=array("/","$");
$str=str_replace($old,$new,$str);
return $str;
}
//采集網頁
function pick($url,$ft,$th)
{
$c=fetch_urlpage_contents($url);
foreach($ft as $key => $value)
{
$rs[$key]=fetch_match_contents($value["begin"],$value["end"],$c);
if(is_array($th[$key]))
{ foreach($th[$key] as $old => $new)
{
$rs[$key]=str_replace($old,$new,$rs[$key]);
}
}
}
return $rs;
}
$url="http://www.bkjia.com"; //要采集的地址
$ft["title"]["begin"]="<title>"; //截取的開始點
$ft["title"]["end"]="</title>"; //截取的結束點
$th["title"]["中山"]="廣東"; //截取部分的替換
$ft["body"]["begin"]="<body>"; //截取的開始點
$ft["body"]["end"]="</body>"; //截取的結束點
$th["body"]["中山"]="廣東"; //截取部分的替換
$rs=pick($url,$ft,$th); //開始采集
echo $rs["title"];
echo $rs["body"]; //輸出
?>
以下代碼從上一面修改而來，專門用於提取網頁所有超鏈接，郵箱或其他特定內容
代碼如下 復制代碼<?php
function fetch_urlpage_contents($url){
$c=file_get_contents($url);
return $c;
}
//獲取匹配內容
function fetch_match_contents($begin,$end,$c)
{
$begin=change_match_string($begin);
$end=change_match_string($end);
$p = "#{$begin}(.*){$end}#iU";//i表示忽略大小寫，U禁止貪婪匹配
if(preg_match_all($p,$c,$rs))
{
return $rs;}
else { return "";}
}//轉義正則表達式字符串
function change_match_string($str){
//注意，以下只是簡單轉義
$old=array("/","$",'?');
$new=array("/","$",'?');
$str=str_replace($old,$new,$str);
return $str;
}
//采集網頁
function pick($url,$ft,$th)
{
$c=fetch_urlpage_contents($url);
foreach($ft as $key => $value)
{
$rs[$key]=fetch_match_contents($value["begin"],$value["end"],$c);
if(is_array($th[$key]))
{ foreach($th[$key] as $old => $new)
{
$rs[$key]=str_replace($old,$new,$rs[$key]);
}
}
}
return $rs;
}
$url="http://www.bkjia.com"; //要采集的地址
$ft["a"]["begin"]='<a'; //截取的開始點<br />
$ft["a"]["end"]='>'; //截取的結束點
$rs=pick($url,$ft,$th); //開始采集
print_r($rs["a"]);
?>
小提示file_get_contents很是容易被防采集了，我們可以使用curl來模仿用戶對網站進行訪問，這算比上面要高級不少哦，file_get_contents()效率稍低些，常用失敗的情況、curl()效率挺高的，支持多線程，不過需要開啟下curl擴展。下面是curl擴展開啟的步驟：
1、將PHP文件夾下的三個文件php_curl.dll,libeay32.dll,ssleay32.dll復制到system32下;
2、將php.ini(c:WINDOWS目錄下)中的;extension=php_curl.dll中的分號去掉;
3、重啟apache或者IIS。
簡單的抓取頁面函數,附帶偽造 Referer 和 User_Agent 功能
代碼如下 復制代碼<?php
function GetSources($Url,$User_Agent='',$Referer_Url='') //抓取某個指定的頁面
{
//$Url 需要抓取的頁面地址
//$User_Agent 需要返回的user_agent信息 如“baiduspider”或“googlebot”
$ch = curl_init();
curl_setopt ($ch, CURLOPT_URL, $Url);
curl_setopt ($ch, CURLOPT_USERAGENT, $User_Agent);
curl_setopt ($ch, CURLOPT_REFERER, $Referer_Url);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION,1);
curl_setopt ($ch, CURLOPT_RETURNTRANSFER, 1);
$MySources = curl_exec ($ch);
curl_close($ch);
return $MySources;
}
$Url = "http://www.bkjia.com"; //要獲取內容的也沒
$User_Agent = "baiduspider+(+http://www.baidu.com/search/spider.htm)";
$Referer_Url = 'http://www.jb51.net/';
echo GetSources($Url,$User_Agent,$Referer_Url);
?>
