php利用file_get_contents批量采集网站内容

作者：袖梨 2022-06-24

最近发现了一个“小气”的学习站点。网站内容竟然不让复制，这样搞，怎么让我们考试的时候弄小抄，难不成要一个字一个字的去打不成。所幸的是咱是搞技术的，这点问题还是难不倒的，你不让复制刚好，这下我还懒得麻烦呢。直接搞个脚本把这一课的内容全扒取下来看岂不更方便。

说搞就搞，先是看源代码。不过网页禁止了右键，点右键有如下提示：

这个倒不难，查看网页源代码的方法太多了，不知道的可以网上找找吧。查看到了，源代码，发现没找页面中的内容未在源代码中显示。接着拿出httpwatch抓包分析，在其中的另外一个链接里找到页面源代码，不过源代码是加密过的。如下：

不过这个加密有点菜，里面已经明明白的写着是base64加密了。这个解码并不难，linux系统自带的base64工具就能完成：

[root@web20 php]# base64 --helpUsage: base64 [OPTION] [FILE]Base64 encode or decode FILE, or standard input, to standard output.-w, --wrap=COLS       Wrap encoded lines after COLS character (default 76).Use 0 to disable line wrapping.-d, --decode          Decode data.-i, --ignore-garbage  When decoding, ignore non-alphabet characters.--help            Display this help and exit.--version         Output version information and exit.如果[文件]缺省，或者[文件]为 - ，则读取标准输入。The data are encoded as described for the base64 alphabet in RFC 3548.Decoding require compliant input by default, use --ignore-garbage to
attempt to recover from non-alphabet characters (such as newlines) in
the encoded stream.

base64 -d 文件名就行了。不过解码后发现，解出的结果是url化的。得到的结果如下：

%20%20%5B%E8%AF%86%E8%AE%B0%5D%E4%BC%9A%E8%AE%A1%E7%9A%84%E6%B6%B5%E4%B9%89%E6%98%AF%E4%BB%80%E4%B9%88%EF%20%20

看到这个结果是不是又犯难了，其时这个时候应该感到高兴才是。因为结果已经出来一半了。这个得出的结果不正是和在url里进行汉字搜索得到的的URL结果一样吗？

如：我在hao123的百度搜索里找"测试"，得到的页面url是

http://www.baidu.com/s?word=%B2%E2%CA%D4&tn=sitehao123

测试两个汉字在url中就变成了%B2%E2%CA%D4 ，知道原理了。解码还不是很简单。php中有个函数urldecode就是干这个用的。下面列出来我全部的url代码：

php
for ($i=18291; $i<=18788 ;$i++ ){
$content = file_get_contents("http://www.XXX.com/test.php?wiki_id=".$i);//echo $content;
$spwt1=explode("问题：",$content);
$spwt2=explode('));<',$spwt1[1]);
$spdn=explode("答案：",$spwt2[1]);//echo $spwt2[0];//echo $spdn[1];
preg_match('/base64decode("(.*?)"/',$spwt2[0],$matchesw);
$wen=urldecode(base64_decode($matchesw[1]));
echo $wen;
echo "n";
echo "n";
preg_match('/base64decode("(.*?)"/',$spdn[1],$matchesd);
$da=urldecode(base64_decode($matchesd[1]));
echo $da;}?>