抓取“维库电子市场”供应商程序

<?php 
/** 
* 抓取“维库电子市场”供应商主程序 
* author Lee. 
* Last modify $Date: 2012-2-3 9:30:21 $ 
* 注：本程序按照编码 GB2312 执行，因为“维库电子市场”网站是GB2312编码，数据库也得保持一致
*/ 
class weiku { 
    private $key; // 型号  
    private $pageNum; // 页码  
 
    /**
     * 入口程序
     */ 
    public function go($key) { 
        $this->key = $key; 
        $this->pageNum = $this->getPageNum(); 
        $this->getInfo(); 
    } 
 
    /**
     * 获取供应商 url 链接数组
     * @return ArrayObject
     */ 
    private function getInfo() { 
        if ($this->pageNum==1) { # 处理只有一页的情况 
            $arr = $this->shopAddContact($this->shopUrlMatchReArr($this->getContent())); 
            $this->isAddSuccess($arr); 
        } elseif ($this->pageNum>1) { # 多页 
            for ($i=1; $i<=$this->pageNum; $i++) { 
                $arr = $this->shopAddContact($this->shopUrlMatchReArr($this->getContent($i))); 
                $this->isAddSuccess($arr); 
            } 
        }    
    } 
     
    /**
     * 打印是否添加成功
     * @param ArrayObject $arr
     * @return string
     */ 
    private function isAddSuccess($arr) { 
        foreach ($arr as $k=>$v) { 
            if ($this->execAdd($this->getInfoByShopUrl($v))) { 
                echo 'Add Success!!'; 
            } else { 
                echo 'Add Faild!!'; 
            } 
        } 
    } 
 
    /**
     * 执行添加到数据库
     * @param ArrayObject $infoArr
     * @return Number 受影响的行数
     */ 
    private function execAdd($infoArr) { 
        $mysqli = $this->getDb(); 
        if (!emptyempty($infoArr['company'])) { 
            if (!$this->isExists($mysqli, $infoArr)) { 
                $num = $mysqli->query("INSERT INTO weiku(company,person,phone,fax,mobile,qq,msn,email,address,shopUrl) VALUES ('{$infoArr['company']}','{$infoArr['person']}','{$infoArr['phone']}','{$infoArr['fax']}','{$infoArr['mobile']}','{$infoArr['qq']}','{$infoArr['msn']}','{$infoArr['email']}','{$infoArr['address']}','{$infoArr['shopUrl']}')"); 
                return $num; 
            } else { 
                return false; # 表示数据已经存在 
            } 
        } else { 
            return false; 
        } 
    } 
 
    /**
     * 连接数据库
     */ 
    private function getDb() { 
        $mysqli = new mysqli('localhost', 'root', '1715544', 'weiku'); 
        $mysqli->query('SET NAMES GB2312'); 
        return $mysqli; 
    } 
 
    /**
     * 检查公司是否已经存在
     * @param Resource $mysqli
     * @param ArrayObject $infoArr
     * @return bool
     */ 
    private function isExists($mysqli, $infoArr) { 
        $mysqli->query("SELECT company FROM weiku WHERE company = '{$infoArr['company']}'"); 
        if ($mysqli->affected_rows) { 
            return true; 
        } else { 
            return false; 
        } 
    } 
 
    /**
     * 抓取信息
     * @param $url 
     * @return ArrayObject
     */ 
    private function getInfoByShopUrl($url) { 
        $re = $this->getUrlInfo($url); 
        preg_match_all('/<b>公司名称：<//b><span>(.*)<//span>/Usi', $re, $companyArr); 
        preg_match_all('/<b>联系人：<//b><span>(.*)<//span>/Usi', $re, $personArr); 
        preg_match_all('/<b>电话：<//b><span>(.*)<//span>/Usi', $re, $phoneArr); 
        preg_match_all('/<b>传真：<//b><span>(.*)<//span>/Usi', $re, $faxArr); 
        preg_match_all('/<b>手机：<//b><span>(.*)<//span>/Usi', $re, $mobileArr); 
        preg_match_all('/<b>QQ：<//b><span>(.*)<//span>/Usi', $re, $qqArr); 
        preg_match_all('/<b>MSN：<//b><span>(.*)<//span>/Usi', $re, $msnArr); 
        preg_match_all('/<b>E-Mail：<//b><span>(.*)<//span>/Usi', $re, $emailArr); 
        preg_match_all('/<b>公司地址：<//b><span>(.*)<//span>/Usi', $re, $addressArr); 
        $infoArr = array( 
            'company'=>$this->stripATags($companyArr[1][0]), 
            'person'=>trim($personArr[1][0]), 
            'phone'=>trim($phoneArr[1][0]), 
            'fax'=>trim($faxArr[1][0]), 
            'mobile'=>trim($mobileArr[1][0]), 
            'qq'=>$this->formatQqMsn($qqArr[1][0]), 
            'msn'=>$this->formatQqMsn($msnArr[1][0], 'MSN'), 
            'email'=>$this->stripATags($emailArr[1][0]), 
            'address'=>trim($addressArr[1][0]), 
            'shopUrl'=>$url 
        ); 
        return $infoArr; 
    } 
 
    /**
     * 根据页面获取供应商 url 数组
     * @param string $re
     * @return ArrayObject
     */ 
    private function shopUrlMatchReArr($re) { 
        $re = preg_replace('/<img.* [//]>/', '', $re); 
        $re = preg_replace('/<img.*>/', '', $re); 
        $re = preg_replace('/<a href=/".+/" target=/"/_blank/">[A-Z]<//a>/', '', $re); 
        $re = preg_replace('/<a href=/".+/" target=/"/_blank/">[0-9]<//a>/', '', $re); 
        $re = preg_replace('/<a href=/".+/" target=/"/_blank/">.*<//a>/', '', $re); 
        $re = preg_replace('/<a href="javascript.+">.*<//a>/', '', $re); 
        $re = preg_replace('/<a href.+>营业执照<//a>/', '', $re); 
        $re = preg_replace('/<a href.+>该企业更多资质>><//a>/', '', $re); 
        $re = preg_replace('/<a href.+>点此反馈<//a>/', '', $re); 
        $re = preg_replace('/<a href.+>首页<//a>/', '', $re); 
        $re = preg_replace('/<a href.+>IC<//a>/', '', $re); 
        $re = preg_replace('/<a href.+>简洁<//a>/', '', $re); 
        $re = preg_replace('/<a href.+>信用<//a>/', '', $re); 
        $re = preg_replace('/<a href.+>.*更多报价信息>><//a>/', '', $re); 
        $re = preg_replace('/<a href=/".*/" target=/"/_blank/" rel=/"nofollow/">.*<//a>/', '', $re); 
        $re = preg_replace('/<div class="kingbanan mb8">.*/', '', $re); 
        preg_match_all('/<a href=/"(.+)/".*>.+<//a>/Usi', $re, $arr); 
        $arr = $this->formatUrlArr(array_unique($arr[1])); 
        return $arr; 
    } 
     
    /**
     * 格式化数组
     * @param Array $arr
     * @return ArrayObject
     */ 
    private function formatUrlArr($arr) { 
        $newArr = array(); 
        foreach ($arr as $key=>$value) { 
            if ($this->isExistsHttp($value)) { 
                $newArr[$key] = $value; 
            } 
        } 
        return $newArr; 
    } 
     
    /**
     * 格式化 QQ
     * @param string $str
     * @return string
     */ 
    private function formatQqMsn($str, $e='QQ') { 
        if (emptyempty($str)) return ''; 
        preg_match_all('/alt="'.$e.'/:(.+)"/Usi', $str, $arr); 
        if (count($arr[1])==1) return $arr[1][0]; 
        $newStr = null; 
        foreach ($arr[1] as $value) { 
            $newStr .= $value . ' '; 
        } 
        return rtrim($newStr, ' '); 
    } 
 
    /**
     * 供应商店铺链接添加 contact.html
     * @param array $arr
     * @return string    
     */ 
    private function shopAddContact($arr) { 
        foreach ($arr as $k=>$v) { 
            $arr[$k] = $v . '/contact.html'; 
        } 
        return $arr; 
    } 
 
    /**
     * 去掉网址的 A 标签
     * @param string $site
     * @return string
     */ 
    private function stripATags($site) { 
        $site = preg_replace('/<a.+>(.+)<//a>/', '/1', $site); 
        return $site; 
    } 
 
    /**
     * 检查 url 是否有 http
     * @param string $url
     * @return bool
     */ 
    private function isExistsHttp($url) { 
        if (stristr($url, 'http://')) { 
            return true; 
        } else { 
            return false; 
        } 
    } 
     
    /**
     * 获取页面内容
     * @param Number $page
     * @return string
     */ 
    private function getContent($page=1) { 
        $re = file_get_contents($this->getUrl($this->key, $page)); 
        return $re; 
    } 
     
    /**
     * 获取页码
     * @return Number
     */ 
    private function getPageNum() { 
        $i = 1; 
        while (true) { 
            $re = $this->getContent($i); 
            # 处理单页避免处理死循环 
            if (!strstr($re, '下一页')) { 
                break; 
            } else { 
                # 多页，计算出页码 
                if (stristr($re, '<span>下一页</span></li>')) break; 
                $i++; 
            } 
        } 
        return $i; 
    } 
 
    /**
     * 获取 URL 链接
     * @param string $str
     * @param int $page 页码
     * @return string
     */ 
    private function getUrl($str, $page=1) { 
        return "http://www.dzsc.com/ic/sell_search.html?keyword={$str}&ic_sel=supplygoods&Submit=%26%23160%3B&page={$page}"; }
 
    /**
     * 获取页面内容
     * @param string $url
     * @return string
     */ 
    private function getUrlInfo($url) { 
        $re = file_get_contents($url); 
        return $re; 
    } 
} 
 
/*
程序运行思路：根据“华强电子网”的IC搜索功能，输入型号进行搜索，然后抓取供应商信息
 
数据库结构
CREATE TABLE `weiku` (
    `id` mediumint(8) unsigned NOT NULL auto_increment COMMENT 'ID',
    `company` varchar(300) default NULL COMMENT '公司名称',
    `person` varchar(200) default NULL COMMENT '联系人',
    `phone` varchar(300) default NULL COMMENT '电话',
    `fax` varchar(300) default NULL COMMENT '传真',
    `mobile` varchar(300) default NULL COMMENT '手机',
    `qq` varchar(200) default NULL COMMENT 'QQ',
    `msn` varchar(200) default NULL COMMENT 'MSN',
    `email` varchar(300) default NULL COMMENT '邮箱',
    `address` varchar(500) default NULL COMMENT '公司地址',
    `shopUrl` varchar(200) default NULL COMMENT '维库网店铺地址',
    PRIMARY KEY  (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=gb2312
*/ 
 
$k = new weiku(); 
$arr = array_unique(array('MAX3232', 'AML8613', 'MT6225A', 'OM8373PS/N3/A', 'PT7313', 'MAX8212ESA', 'TL431', 'S3C2440', 'TMS320F2812PGFA', 'PCM1704', 'AN6717', 'CA3162E', 'CA3161E', 'LM393N', 'DS18B20', 'SHT10', 'AML8613', 'AN6717', 'LM393N', 'CA3161E', 'CA3162E', 'PCM1704', 'STK392-040', 'K1667', 'MAX232', 'STM32F103', 'LM358')); 
foreach ($arr as $v) { 
    $k->go($v); 
} 
?> 
<?php
/**
* 抓取“维库电子市场”供应商主程序
* author Lee.
* Last modify $Date: 2012-2-3 9:30:21 $
* 注：本程序按照编码 GB2312 执行，因为“维库电子市场”网站是GB2312编码，数据库也得保持一致
*/
class weiku {
 private $key; // 型号
 private $pageNum; // 页码

 /**
  * 入口程序
  */
 public function go($key) {
  $this->key = $key;
  $this->pageNum = $this->getPageNum();
  $this->getInfo();
 }

 /**
  * 获取供应商 url 链接数组
  * @return ArrayObject
  */
 private function getInfo() {
  if ($this->pageNum==1) { # 处理只有一页的情况
   $arr = $this->shopAddContact($this->shopUrlMatchReArr($this->getContent()));
   $this->isAddSuccess($arr);
  } elseif ($this->pageNum>1) { # 多页
   for ($i=1; $i<=$this->pageNum; $i++) {
    $arr = $this->shopAddContact($this->shopUrlMatchReArr($this->getContent($i)));
    $this->isAddSuccess($arr);
   }
  } 
 }
 
 /**
  * 打印是否添加成功
  * @param ArrayObject $arr
  * @return string
  */
 private function isAddSuccess($arr) {
  foreach ($arr as $k=>$v) {
   if ($this->execAdd($this->getInfoByShopUrl($v))) {
    echo 'Add Success!!';
   } else {
    echo 'Add Faild!!';
   }
  }
 }

 /**
  * 执行添加到数据库
  * @param ArrayObject $infoArr
  * @return Number 受影响的行数
  */
 private function execAdd($infoArr) {
  $mysqli = $this->getDb();
  if (!empty($infoArr['company'])) {
   if (!$this->isExists($mysqli, $infoArr)) {
    $num = $mysqli->query("INSERT INTO weiku(company,person,phone,fax,mobile,qq,msn,email,address,shopUrl) VALUES ('{$infoArr['company']}','{$infoArr['person']}','{$infoArr['phone']}','{$infoArr['fax']}','{$infoArr['mobile']}','{$infoArr['qq']}','{$infoArr['msn']}','{$infoArr['email']}','{$infoArr['address']}','{$infoArr['shopUrl']}')");
    return $num;
   } else {
    return false; # 表示数据已经存在
   }
  } else {
   return false;
  }
 }

 /**
  * 连接数据库
  */
 private function getDb() {
  $mysqli = new mysqli('localhost', 'root', '1715544', 'weiku');
  $mysqli->query('SET NAMES GB2312');
  return $mysqli;
 }

 /**
  * 检查公司是否已经存在
  * @param Resource $mysqli
  * @param ArrayObject $infoArr
  * @return bool
  */
 private function isExists($mysqli, $infoArr) {
  $mysqli->query("SELECT company FROM weiku WHERE company = '{$infoArr['company']}'");
  if ($mysqli->affected_rows) {
   return true;
  } else {
   return false;
  }
 }

 /**
  * 抓取信息
  * @param $url
  * @return ArrayObject
  */
 private function getInfoByShopUrl($url) {
  $re = $this->getUrlInfo($url);
  preg_match_all('/<b>公司名称：<//b><span>(.*)<//span>/Usi', $re, $companyArr);
  preg_match_all('/<b>联系人：<//b><span>(.*)<//span>/Usi', $re, $personArr);
  preg_match_all('/<b>电话：<//b><span>(.*)<//span>/Usi', $re, $phoneArr);
  preg_match_all('/<b>传真：<//b><span>(.*)<//span>/Usi', $re, $faxArr);
  preg_match_all('/<b>手机：<//b><span>(.*)<//span>/Usi', $re, $mobileArr);
  preg_match_all('/<b>QQ：<//b><span>(.*)<//span>/Usi', $re, $qqArr);
  preg_match_all('/<b>MSN：<//b><span>(.*)<//span>/Usi', $re, $msnArr);
  preg_match_all('/<b>E-Mail：<//b><span>(.*)<//span>/Usi', $re, $emailArr);
  preg_match_all('/<b>公司地址：<//b><span>(.*)<//span>/Usi', $re, $addressArr);
  $infoArr = array(
   'company'=>$this->stripATags($companyArr[1][0]),
   'person'=>trim($personArr[1][0]),
   'phone'=>trim($phoneArr[1][0]),
   'fax'=>trim($faxArr[1][0]),
   'mobile'=>trim($mobileArr[1][0]),
   'qq'=>$this->formatQqMsn($qqArr[1][0]),
   'msn'=>$this->formatQqMsn($msnArr[1][0], 'MSN'),
   'email'=>$this->stripATags($emailArr[1][0]),
   'address'=>trim($addressArr[1][0]),
   'shopUrl'=>$url
  );
  return $infoArr;
 }

 /**
  * 根据页面获取供应商 url 数组
  * @param string $re
  * @return ArrayObject
  */
 private function shopUrlMatchReArr($re) {
  $re = preg_replace('/<img.* [//]>/', '', $re);
  $re = preg_replace('/<img.*>/', '', $re);
  $re = preg_replace('/<a href=/".+/" target=/"/_blank/">[A-Z]<//a>/', '', $re);
  $re = preg_replace('/<a href=/".+/" target=/"/_blank/">[0-9]<//a>/', '', $re);
  $re = preg_replace('/<a href=/".+/" target=/"/_blank/">.*<//a>/', '', $re);
  $re = preg_replace('/<a href="javascript.+">.*<//a>/', '', $re);
  $re = preg_replace('/<a href.+>营业执照<//a>/', '', $re);
  $re = preg_replace('/<a href.+>该企业更多资质>><//a>/', '', $re);
  $re = preg_replace('/<a href.+>点此反馈<//a>/', '', $re);
  $re = preg_replace('/<a href.+>首页<//a>/', '', $re);
  $re = preg_replace('/<a href.+>IC<//a>/', '', $re);
  $re = preg_replace('/<a href.+>简洁<//a>/', '', $re);
  $re = preg_replace('/<a href.+>信用<//a>/', '', $re);
  $re = preg_replace('/<a href.+>.*更多报价信息>><//a>/', '', $re);
  $re = preg_replace('/<a href=/".*/" target=/"/_blank/" rel=/"nofollow/">.*<//a>/', '', $re);
  $re = preg_replace('/<div class="kingbanan mb8">.*/', '', $re);
  preg_match_all('/<a href=/"(.+)/".*>.+<//a>/Usi', $re, $arr);
  $arr = $this->formatUrlArr(array_unique($arr[1]));
  return $arr;
 }
 
 /**
  * 格式化数组
  * @param Array $arr
  * @return ArrayObject
  */
 private function formatUrlArr($arr) {
  $newArr = array();
  foreach ($arr as $key=>$value) {
   if ($this->isExistsHttp($value)) {
    $newArr[$key] = $value;
   }
  }
  return $newArr;
 }
 
 /**
  * 格式化 QQ
  * @param string $str
  * @return string
  */
 private function formatQqMsn($str, $e='QQ') {
  if (empty($str)) return '';
  preg_match_all('/alt="'.$e.'/:(.+)"/Usi', $str, $arr);
  if (count($arr[1])==1) return $arr[1][0];
  $newStr = null;
  foreach ($arr[1] as $value) {
   $newStr .= $value . ' ';
  }
  return rtrim($newStr, ' ');
 }

 /**
  * 供应商店铺链接添加 contact.html
  * @param array $arr
  * @return string 
  */
 private function shopAddContact($arr) {
  foreach ($arr as $k=>$v) {
   $arr[$k] = $v . '/contact.html';
  }
  return $arr;
 }

 /**
  * 去掉网址的 A 标签
  * @param string $site
  * @return string
  */
 private function stripATags($site) {
  $site = preg_replace('/<a.+>(.+)<//a>/', '/1', $site);
  return $site;
 }

 /**
  * 检查 url 是否有 http
  * @param string $url
  * @return bool
  */
 private function isExistsHttp($url) {
  if (stristr($url, 'http://')) {
   return true;
  } else {
   return false;
  }
 }
 
 /**
  * 获取页面内容
  * @param Number $page
  * @return string
  */
 private function getContent($page=1) {
  $re = file_get_contents($this->getUrl($this->key, $page));
  return $re;
 }
 
 /**
  * 获取页码
  * @return Number
  */
 private function getPageNum() {
  $i = 1;
  while (true) {
   $re = $this->getContent($i);
   # 处理单页避免处理死循环
   if (!strstr($re, '下一页')) {
    break;
   } else {
    # 多页，计算出页码
    if (stristr($re, '<span>下一页</span></li>')) break;
    $i++;
   }
  }
  return $i;
 }

 /**
  * 获取 URL 链接
  * @param string $str
  * @param int $page 页码
  * @return string
  */
 private function getUrl($str, $page=1) {
  retrn "http://www.dzsc.com/ic/sell_search.html?keyword={$str}&ic_sel=supplygoods&Submit=%26%23160%3B&page={$page}"u;

 }

 /**
  * 获取页面内容
  * @param string $url
  * @return string
  */
 private function getUrlInfo($url) {
  $re = file_get_contents($url);
  return $re;
 }
}

/*
程序运行思路：根据“华强电子网”的IC搜索功能，输入型号进行搜索，然后抓取供应商信息

数据库结构
CREATE TABLE `weiku` (
 `id` mediumint(8) unsigned NOT NULL auto_increment COMMENT 'ID',
 `company` varchar(300) default NULL COMMENT '公司名称',
 `person` varchar(200) default NULL COMMENT '联系人',
 `phone` varchar(300) default NULL COMMENT '电话',
 `fax` varchar(300) default NULL COMMENT '传真',
 `mobile` varchar(300) default NULL COMMENT '手机',
 `qq` varchar(200) default NULL COMMENT 'QQ',
 `msn` varchar(200) default NULL COMMENT 'MSN',
 `email` varchar(300) default NULL COMMENT '邮箱',
 `address` varchar(500) default NULL COMMENT '公司地址',
 `shopUrl` varchar(200) default NULL COMMENT '维库网店铺地址',
 PRIMARY KEY  (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=gb2312
*/

$k = new weiku();
$arr = array_unique(array('MAX3232', 'AML8613', 'MT6225A', 'OM8373PS/N3/A', 'PT7313', 'MAX8212ESA', 'TL431', 'S3C2440', 'TMS320F2812PGFA', 'PCM1704', 'AN6717', 'CA3162E', 'CA3161E', 'LM393N', 'DS18B20', 'SHT10', 'AML8613', 'AN6717', 'LM393N', 'CA3161E', 'CA3162E', 'PCM1704', 'STK392-040', 'K1667', 'MAX232', 'STM32F103', 'LM358'));
foreach ($arr as $v) {
 $k->go($v);
}
?>


 摘自 Lee.的专栏