教程：RSS全文輸出，本身動手作。（一）

這裏以PHP版爲例，儘可能說得通俗點吧，水平實在有限，見諒。

目前我這裏全部的獲取全文輸出的網站大概是三種狀況：

1. 要輸出的內容集中在一頁上，也就是看似列表頁的頁面裏集中了你想要的全部內容，並不須要點擊「更多」或「繼續閱讀」才能看到文章總體。好比糗事百科、wiki。
2. 有列表頁，要查看相應文章必須點擊連接進入。
3. json方式寫入。特徵就是查看源文件並不能找到你在瀏覽器中看到的內容。好比騰訊新聞圖片（連接），它的真正內容在這（連接）。

第一種最省事，第二種最多見，第三種稍麻煩。

今天先講第二種。

 

以國家地理中文網宇宙空間爲例（連接），先看代碼：（把下列源碼存爲space.php）

1. <?php
2. include "gethtml.php";
3. $regex_link = '/(?<=<dt><a href=").+?(?=")/s';
4. $regex_tit = '/(?<=<title>)(.+?)(?= -)/s';
5. $regex_con = '/<div id="detailMain_box_img".*?(?=<div class="M-L-article-last-p" >)/s';
6. $header='<?xml version="1.0" encoding="utf-8"?><rss version="2.0"><channel><title>國家地理中文網宇宙空間</title>';
7. $footer='</channel></rss>';
8. $html=gethtml('http://www.nationalgeographic.com.cn/science/space/');
9. if(preg_match_all($regex_link, $html, $links)){
10. $size=count($links[0]);
11. for($i=0;$i<$size;$i++){
12. $link=preg_replace('/(.+)/','http://www.nationalgeographic.com.cn$1',$links[0][$i]);
13. $content=gethtml($link);
14. preg_match($regex_con,$content,$article);
15. preg_match($regex_tit,$content,$title);
16. $rss.='<item><title>'.$title[0].'</title><link><![CDATA['.$link.']]></link><description><![CDATA['.$article[0].']]></description></item>';
17. }
18. file_put_contents('space.xml',$header.$rss.$footer);
19. }
20. ?>

重點是第8行日後。只解釋我認爲重要的，不明白的能夠討論。

第2行，引入gethtml方法，來自下面的代碼。

看一下第8行gethtml(‘http://www.nationalgeographic.com.cn/science/space/’)獲得了什麼（連接），雖然有點亂，可是目的達到了，http://www.nationalgeographic.com.cn/science/space/ 我已經抓到本地服務器上。

第9行是要挑出須要的連接 $links（連接）

第13行利用這些連接繼續抓取頁面 $content=gethtml($link)

第1四、15行從$content裏查找須要的$title（文章標題）和$article（文章內容）

後面就是按RSS要求的格式輸出，並最終生成xml文件。

上面我說的查找、挑出都是用正則來實現的，此外最好對html特別熟悉，操做起來才能駕輕就熟。

=================================================

下面是在別人的基礎上本身總結的利用curl抓取頁面的方法，把下面源碼存爲gethtml.php，我全部的抓取都是用的這個方法，固然，省事的話能夠用 file_get_contents，那就是真正的20行代碼完成全文RSS輸出了，不過可選的參數就沒有了，有的頁面會抓取不到。

1. <?php
2. error_reporting(E_ERROR);
3. function gethtml($url,$json){
4. $args = json_decode($json,true);
5. $useragent = $args["useragent"]?$args["useragent"]:'Mozilla/5.0';
6. $timeout = $args["timeout"]?$args["timeout"]:9000;
7. $ch = curl_init();
8. $options = array(
9. CURLOPT_URL => $url,
10. CURLOPT_USERAGENT => $useragent,
11. CURLOPT_TIMEOUT_MS => $timeout,
12. CURLOPT_NOSIGNAL => 1,
13. CURLOPT_HEADER => 0,
14. CURLOPT_RETURNTRANSFER => 1,
15. CURLOPT_FOLLOWLOCATION => 1
16. );
17. if($args["ip"]){
18. $options[CURLOPT_HTTPHEADER] = array('CLIENT-IP:'.$args["ip"],'X-FORWARDED-FOR:'.$args["ip"]);
19. }
20. if (preg_match('/^https/',$url)){
21. $options[CURLOPT_SSL_VERIFYHOST] = 1;
22. $options[CURLOPT_SSL_VERIFYPEER] = 0;
23. }
24. curl_setopt_array($ch, $options);
25. $data = curl_exec($ch);
26. $curl_errno = curl_errno($ch);
27. curl_close($ch);
28. if($curl_errno>0){
29. return 'error';
30. }else{
31. return $data;
32. }
33. }
34. ?>

 原文：http://www.rssfull.net/turorial160710