衍锦

实现SOCKET模拟网络爬虫主要包括以下几个部分：
 使用SOCKET获取指定页的内容。
 使用get_meta_tags()函数，分析网页的META、TITLE等标签内容。
 解析TITLE、链接或网页内容，可以使用正则表达式，来取得需要的内容。
SOCKET爬虫实现代码
简单爬虫实现代码和使用方法，保存到spider.php中，详细代码如下所示：

/*********************spider.php********************/
class spider {
private $_url = “”; //定义用于保存URL的变量
private $_sites = “”; //定义用于保存网站相关内容的变量
function spider($url) { //构造函数,用于初始化变量
$this->_url = $url;
}
function start() {
$content = $this->socketOpen($this->_url); //使用socketOpen()方法,链接指定的服务器
$this->_sites[”meta”] = $this->getMeta($content); //使用getMeat()方法,获取meta信息
$this->_sites[”title”] = $this->getTitle($content); //使用getTitle()方法,获取title信息
$this->_sites[”detail”] = $this->getDetail($content);//使用getDetail()方法,获取内容信息
$this->_sites[”links”] = $this->getLinks($content); //使用getLinks()方法,获取内容链接信息
}
function getMeta($content){
$file = “metaCache”; //向于保存缓存文件的名称
file_put_contents($file,$content); //将缓存保存到缓存文件中
$meta = get_meta_tags($file); //使用get_meta_tags()取得内容的meta信息
return $meta; //返回meta信息
}
function getDetail($contents) {
preg_match('/(.+)<\/body>/s', $contents, $matches); //使用正则表达式处理内容
$body = $this->StripHTML($matches[1]); //去掉特殊HTML字符
$body = strip_tags($body); //清除内容中的特殊标签
return substr($body, 0, 400); //返回内容的前400个字符
}
function getTitle($contents) {
preg_match('/