Блог

Я хотел бы создать PHP-скрипт, который перейдет на другой веб-сайт (с заданным URL) и проверит источник страницы этой страницы на наличие определенной строки данных.

На самом деле у меня есть способ сделать это прямо сейчас, но я ищу альтернативный способ.

Прямо сейчас я использую php-функцию file_get_contents для чтения URL-адреса из источника страницы в переменную.

 $link = "www.example.com";
$linkcontents = file_get_contents($link);
  

Затем я использую php-функцию strpos для поиска на странице искомой строки:

 $needle = "<div>find me</div>";
if (strpos($linkcontents, $needle) == false) {
echo "String not found";
} else {
echo "String found";
}
  

Я слышал, что команда cURL хороша для обработки вещей, связанных с URL-адресами, я просто не уверен, как бы я использовал ее для выполнения того, что я делаю с объединенными функциями file_get_contents и strpos, как я описал выше.

Или, если есть другой способ сделать это, я весь внимание 🙂

Ну, мы создаем функцию CURL следующим образом

 function Visit($irc_server){
// Open the connection
        $user_agent = $_SERVER['HTTP_USER_AGENT'];
        $port = '80';
        $ch = curl_init();    // initialize curl handle
        curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE);
        curl_setopt($ch, CURLOPT_URL, $irc_server); 
        curl_setopt($ch, CURLOPT_FAILONERROR, 1);          
        curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);    
        curl_setopt($ch, CURLOPT_RETURNTRANSFER,1); 
        curl_setopt($ch, CURLOPT_TIMEOUT, 50); 
        curl_setopt($ch, CURLOPT_USERAGENT, $user_agent);
        curl_setopt($ch, CURLOPT_PORT, $port);          

        $data = curl_exec($ch);
        $httpcode = curl_getinfo($ch, CURLINFO_HTTP_CODE);
        $curl_errno = curl_errno($ch);
        $curl_error = curl_error($ch);
        if ($curl_errno > 0) {
              $return = ("cURL Error ($curl_errno): $curl_errorn");
        } else {
               $return = $data;
        }
        curl_close($ch);
         /*if($httpcode >= 200 amp;amp; $httpcode < 300){
           $return = 'OK';
       }else{
            $return ='Nok';
        }*/

        return $return;

}
  

Еще одна функция для обработки нашего URL

 function tenta($url){
// Now, create a instance of your class, define the behaviour
// of the crawler (see class-reference for more options and details)
// and start the crawling-process. 

$crawler = new MyCrawler();


// URL to crawl
$crawler->setURL($url);

// Only receive content of files with content-type "text/html"
$crawler->addContentTypeReceiveRule("#text/html#");

// Ignore links to pictures, dont even request pictures
$crawler->addURLFilterRule("#.(jpg|jpeg|gif|png)$# i");

// Store and send cookie-data like a browser does
$crawler->enableCookieHandling(true);

// Set the traffic-limit to 1 MB (in bytes,
// for testing we dont want to "suck" the whole site)
$crawler->setTrafficLimit(1000 * 1024);

// Thats enough, now here we go
$crawler->go();

// At the end, after the process is finished, we print a short
// report (see method getProcessReport() for more information)
$report = $crawler->getProcessReport();

if (PHP_SAPI == "cli") $lb = "n";
else $lb = "<br />";
 /*   
echo "Summary:".$lb;
echo "Links followed: ".$report->links_followed.$lb;
echo "Documents received: ".$report->files_received.$lb;
echo "Bytes received: ".$report->bytes_received." bytes".$lb;
echo "Process runtime: ".$report->process_runtime." sec".$lb; */
}
  

Мы создаем наш класс

 // It may take a whils to crawl a site ...
set_time_limit(110000); 
// Inculde the phpcrawl-mainclass
include("libs/PHPCrawler.class.php");

// Extend the class and override the handleDocumentInfo()-method 
class MyCrawler extends PHPCrawler 
{
  function handleDocumentInfo($DocInfo) 
  {
      global $find;

    // Just detect linebreak for output ("n" in CLI-mode, otherwise "<br>").
    if (PHP_SAPI == "cli") $lb = "n";
    else $lb = "<br />";

    // Print the URL and the HTTP-status-Code
    echo "Page requested: ".$DocInfo->url." (".$DocInfo->http_status_code.")".$lb;
    //echo $img_url = '<img src="'.$DocInfo->url.'.jpg" width = "150" height = "150" />'.$lb;

    //we looking for kenya on this domain
    foreach ($find as $matche) {
        $matchb = implode(',',$matche);
    //$matchb = $matche['word'];
    if(preg_match("/(".$matchb.")/i", Visit($DocInfo->url))) { 
    echo "<a href=".$DocInfo->url." target=_blank>".$DocInfo->url."</a><b style='color:red;'>".$matche['word']."</b>".$lb;
    }
        }
    // Print the refering URL
    echo "Referer-page: ".$DocInfo->referer_url.$lb;

    // Print if the content of the document was be recieved or not
    if ($DocInfo->received == true)
      echo "Content received: ".$DocInfo->bytes_received." bytes".$lb;
    else
      echo "Content not received".$lb; 

    // Now you should do something with the content of the actual
    // received page or file ($DocInfo->source), we skip it in this example 

    echo $lb;

    flush();
  } 
}
  

Наши переменные в массиве
URL-адреса, которые мы будем сканировать.

 $url = array(
  array("id"=>7, "name"=>"soltechit","url" => "soltechit.co.uk"),
  array("id"=>5, "name"=>"CNN","url" => "cnn.com", "description" => "A social utility that connects people, to keep up with friends, upload photos, share links")
);
strings we are looking for
$find = array(
  array("word" => "routers"),
  array("word" => "Moose"),
  array("word" => "worm"),
  array("word" => "kenya"),
  array("word" => "alshabaab"),
  array("word" => "ISIS"),
  array("word" => "security"),
  array("word" => "windows 10 release"),
  array("word" => "hacked")
);
  

Которую мы вызываем следующим образом

 foreach ($url as $urls) {
$url = $urls['url'];
echo '<h2>'.$urls['name'].'</h2>';
echo $urls['description'].'<br>';
echo tenta($url).'<br>';

}
  

Если file_get_contents все отлично работает для текущей задачи, зачем что-то менять …? Я говорю, продолжайте использовать это.

Обратите внимание, что вам нужно будет передать ему URL, начинающийся с «http: //», в противном случае он попытается открыть локальный файл с именем «www.example.com «.

Также это хорошая практика делать === false с strpos , поскольку в противном случае совпадение в позиции 0 не будет распознано (поскольку 0 == false но не 0 === false )

Здесь есть кое-что получше, я думаю, это помогло бы, что выглядит так:

 <?php 

// It may take a whils to crawl a site ... 
set_time_limit(10000); 

// Inculde the phpcrawl-mainclass 
include("libs/PHPCrawler.class.php"); 

// Extend the class and override the handleDocumentInfo()-method  
class MyCrawler extends PHPCrawler  
{ 
  function handleDocumentInfo($DocInfo)  
  { 
    // Just detect linebreak for output ("n" in CLI-mode, otherwise "<br>"). 
    if (PHP_SAPI == "cli") $lb = "n"; 
    else $lb = "<br />"; 

    // Print the URL and the HTTP-status-Code 
    echo "Page requested: ".$DocInfo->url." (".$DocInfo->http_status_code.")".$lb; 

    // Print the refering URL 
    echo "Referer-page: ".$DocInfo->referer_url.$lb; 

    // Print if the content of the document was be recieved or not 
    if ($DocInfo->received == true) 
      echo "Content received: ".$DocInfo->bytes_received." bytes".$lb; 
    else 
      echo "Content not received".$lb;  

    // Now you should do something with the content of the actual 
    // received page or file ($DocInfo->source), we skip it in this example  

    echo $lb; 

    flush(); 
  }  
} 

// Now, create a instance of your class, define the behaviour 
// of the crawler (see class-reference for more options and details) 
// and start the crawling-process.  

$crawler = new MyCrawler(); 

// URL to crawl 
$crawler->setURL("www.php.net"); 

// Only receive content of files with content-type "text/html" 
$crawler->addContentTypeReceiveRule("#text/html#"); 

// Ignore links to pictures, dont even request pictures 
$crawler->addURLFilterRule("#.(jpg|jpeg|gif|png)$# i"); 

// Store and send cookie-data like a browser does 
$crawler->enableCookieHandling(true); 

// Set the traffic-limit to 1 MB (in bytes, 
// for testing we dont want to "suck" the whole site) 
$crawler->setTrafficLimit(1000 * 1024); 

// Thats enough, now here we go 
$crawler->go(); 

// At the end, after the process is finished, we print a short 
// report (see method getProcessReport() for more information) 
$report = $crawler->getProcessReport(); 

if (PHP_SAPI == "cli") $lb = "n"; 
else $lb = "<br />"; 

echo "Summary:".$lb; 
echo "Links followed: ".$report->links_followed.$lb; 
echo "Documents received: ".$report->files_received.$lb; 
echo "Bytes received: ".$report->bytes_received." bytes".$lb; 
echo "Process runtime: ".$report->process_runtime." sec".$lb;  
?>