如何使用PHP创建简单的搜寻器？

Question

我有一个带有一堆链接的网页。我想编写一个脚本，将所有链接中包含的所有数据转储到本地文件中。

有没有人用PHP做到这一点？一般准则和陷阱就可以作为答案。

Answer 1

这是受Tatu启发的DOM版本：

<?php
function crawl_page($url, $depth = 5)
{
    static $seen = array();
    if (isset($seen[$url]) || $depth === 0) {
        return;
    }

    $seen[$url] = true;

    $dom = new DOMDocument('1.0');
    @$dom->loadHTMLFile($url);

    $anchors = $dom->getElementsByTagName('a');
    foreach ($anchors as $element) {
        $href = $element->getAttribute('href');
        if (0 !== strpos($href, 'http')) {
            $path = '/' . ltrim($href, '/');
            if (extension_loaded('http')) {
                $href = http_build_url($url, array('path' => $path));
            } else {
                $parts = parse_url($url);
                $href = $parts['scheme'] . '://';
                if (isset($parts['user']) && isset($parts['pass'])) {
                    $href .= $parts['user'] . ':' . $parts['pass'] . '@';
                }
                $href .= $parts['host'];
                if (isset($parts['port'])) {
                    $href .= ':' . $parts['port'];
                }
                $href .= dirname($parts['path'], 1).$path;
            }
        }
        crawl_page($href, $depth - 1);
    }
    echo "URL:",$url,PHP_EOL,"CONTENT:",PHP_EOL,$dom->saveHTML(),PHP_EOL,PHP_EOL;
}
crawl_page("http://hobodave.com", 2);

编辑： 我修复了Tatu版本的一些错误（现在可以使用相对URL）。

编辑： 我添加了新的功能，以防止它两次跟踪相同的URL。

编辑： 现在将输出回显到STDOUT，以便您可以将其重定向到所需的任何文件

编辑：
修复了乔治在回答中指出的错误。相对网址将不再追加到网址路径的末尾，而是将其覆盖。感谢乔治。请注意，乔治的答案不考虑以下任何一项：https，用户，密码或端口。如果您加载了http
PECL扩展名，则可以使用http_build_url轻松完成。否则，我必须使用parse_url手动粘合在一起。再次感谢乔治。