一、介绍基本原理
在已经开始截取网页以后，他们须要介绍许多基本概念。具体来说是“HTTP”，即LZ77数据传输协定。HTTP是Web伺服器和应用程序间展开通讯的协定，也是他们截取网页所倚赖的协定。其二是“HTML”，即LZ77记号词汇。HTML是Web网页的国际标准词汇，透过HTML他们能在应用程序中表明各式各样文本。
二、采用PHP截取网页
在PHP中，他们能采用curl程序库同时实现截取网页的机能。curl别列济夫两个强悍的开放源码辅助工具，全力支持多种不同协定，主要包括HTTP、FTP等。上面是两个单纯的采用curl库截取网页的实例标识符：
$url =”;;$ch = curlinit();curlsetopt($ch, CURLOPTURL,$url);curlsetopt($ch, CURLOPTRETURNTRANSFER,1);$output = curlexec($ch);curlclose($ch);echo $output;
前述标识符中，他们具体来说选定要截取的邮箱（$url表达式），接着使用curlinit表达式调用两个捷伊程序代码。接著，他们采用curlsetopt表达式增设许多快捷键，比如选定要截取的URL、与否回到结论等。最终，他们采用curlexec表达式继续执行程序代码，并将结论储存在$output表达式中。
三、处置HTML统计数据
截取网页后，他们须要对HTML统计数据展开处置，以抽取管用的重要信息。上面是许多处置HTML统计数据的基本功：
1.采用程序词汇：程序词汇是一类强悍的文档相匹配辅助工具，能协助他们快速地从HTML标识符中抽取所需重要信息。比如，要从两个HTML文件格式中抽取大部份镜像，能采用下列程序词汇：
pregmatchall(/
前述标识符采用pregmatchall表达式相匹配大部份条码，并从当中抽取href属性值。
2.采用DOM解释器：DOM（文件格式第一类数学模型）解释器能将HTML标识符导出成两个树型内部结构，并提供更多许多API来出访和修正根上的原素。比如，要从两个HTML文件格式中抽取大部份镜像，能采用下列标识符：
$dom = new DOMDocument();$dom->loadHTML($html);$links =$dom->getElementsByTagName(a);foreach ($links as $link){ echo $link->getAttribute(href).”\n”;}
前述标识符采用DOMDocument类加载HTML标识符，并采用getElementsByTagName方法
四、处置XML统计数据
与HTML类似，他们也能采用PHP处置XML统计数据。上面是许多处置XML统计数据的基本功：
1.采用SimpleXML扩展：SimpleXML扩展提供更多了许多API来出访和修正XML文件格式。比如，要从两个XML文件格式中抽取大部份书名，能采用下列标识符：
$xml = simplexmlloadstring($xmlstring);foreach ($xml->book as $book){ echo $book->title .”\n”;}
前述标识符采用simplexmlloadstring表达式加载XML字符串，并采用foreach循环遍历每个book节点。
2.采用XPath：XPath是一类查询词汇，能协助他们加速地从XML文件格式中抽取所需重要信息。比如，要从两个XML文件格式中抽取大部份书名，能采用下列XPath表达式：
//book/title
前述表达式表示选取大部份book节点下的title节点。
五、处置JSON统计数据
JSON（JavaScript Object Notation）是一类轻量级的统计数据交换格式，具有易读易写、易导出等特点。在PHP中，他们能采用jsondecode表达式将JSON字符串转换为PHP第一类或数组。比如，要从两个JSON字符串中抽取大部份用户名，能采用下列标识符：
$data = jsondecode($jsonstring, true);foreach ($data[users] as $user){ echo $user[name].”\n”;}
前述标识符将JSON字符串转换为关联数组，并采用foreach循环遍历每个用户节点。
六、处置二进制统计数据
除了处置文档统计数据外，他们还可能须要处置二进制统计数据，比如图像、音频等。在PHP中，他们能采用fopen、fread、fclose等表达式来读写二进制文件。比如，要将两个图像文件输出到应用程序，能采用下列标识符：
header(Content-Type: image/jpeg);$fp = fopen(image.jpg,rb);fpassthru($fp);fclose($fp);
前述标识符采用header函数选定MIME类型，并采用fopen表达式打开两个二进制文件。接著，他们采用fpassthru表达式将文件文本输出到应用程序，并最终关闭文件句柄。
七、处置大统计数据
当他们须要处置大量统计数据时，内存可能会成为两个问题。在PHP中，他们能采用迭代器和生成器来处置大统计数据。迭代器是一类遍历统计数据集合的方式，而生成器则是一类更高级的迭代器，能动态生成统计数据。比如，要从两个大型日志文件中抽取大部份错误重要信息，能采用下列标识符：
function geterrors($logfile){$fp = fopen($logfile,r); while (!feof($fp)){$line = fgets($fp); if (strpos($line,ERROR)!== false){ yield $line;} } fclose($fp);}foreach (geterrors(error.log) as $error){ echo $error .”\n”;}
前述标识符定义了两个生成器表达式geterrors，该表达式从日志文件中逐行读取文本，并采用yield关键字回到包含ERROR字符串的行。接著，他们采用foreach循环遍历生成器回到的每个错误重要信息。
八、总结
本文介绍了如何采用PHP截取网页，并提供更多了许多处置统计数据的基本功。他们介绍了HTTP、HTML、XML、JSON等基本原理，学习了采用curl库截取网页、采用正则表达式、DOM解释器、SimpleXML扩展等处置HTML/XML统计数据，以及采用jsondecode表达式处置JSON统计数据和采用迭代器/生成器处置大统计数据。希望这些基本机能协助您更好地处置Web统计数据。
