想要采集的某个站，貌似被“反采集”了，懂采集的朋友帮看看

http://price.pcauto.com.cn/dictionary/category/

这个站，我用了以下三种方式，都无法采集：

$fcontents = file_get_contents($url);

	##获取目标页面文件流并转换成字符串形式采集
	function openfile($url)
	{
		if(file($url))
		{
			$str = file($url);
			$count = count($str);
			for ($i=0;$i<$count;$i++)
			{
				$file .= $str[$i];
			}
			return $file;
		}
		else
		{ die("文件打开失败"); }
	}

	#通过获取文件流，采集
	function request_url($url,$method='POST')
	{
		$url = parse_url($url); //解析url地址,取得host,path,port,query等
		if (!$url) return '链接不完整';
		if (!isset($url['port'])) { $url['port'] = ''; }
		if (!isset($url['query'])) { $url['query'] = ''; }
		//连接服务器
		$fp = fsockopen($url['host'], $url['port'] ? $url['port'] : 80);
		if (!$fp) return '不能连接'.$url['host'].'服务器';
		//发送请求
		fputs($fp, sprintf("$method %s%s%s HTTP/1.0\n", $url['path'], $url['query'] ? "?" : "", $url['query']));
		fputs($fp, "Host: $url[host]\n");
		fputs($fp, "Content-type: application/x-www-form-urlencoded\n");
		fputs($fp, "Connection: close\n\n");
		//获得请求后返回的内容
		$line = fgets($fp,1024);
		if (!eregi("^HTTP/1\.. 200", $line)) return;
		$results = "";
		while(!feof($fp)) {
		$line = fgets($fp,1024);
		$results .= $line;
		}
		fclose($fp);
		return $results;
	}

用第一种，得到的是乱码，无论如何编码转换，都是乱码；
用后面两种，得到的均是空白（第三种能看到部分文件头）。

我把页面源文件复制下来，放入一个文件内，并采集这个文件，都可以的，所以，想来是这个页面做了“反采集”。

跪求高手，谢谢。

12 个解决方案

#1

还没搞定，继续求助

#2

要采集 就用curl.

#3

确实做了“反采集”,无法抓取！

#4

不过是 gzip 压缩了而已

$url = 'http://price.pcauto.com.cn/dictionary/category/';
$s = file_get_contents($url);
echo gzdecode($s);

function gzdecode($data) { 
  $len = strlen($data); 
  if ($len < 18 || strcmp(substr($data,0,2),"\x1f\x8b")) { 
    return null;  // Not GZIP format (See RFC 1952) 
  } 

  $method = ord(substr($data,2,1));  // Compression method 
  $flags  = ord(substr($data,3,1));  // Flags 
  if ($flags & 31 != $flags) { 
    // Reserved bits are set -- NOT ALLOWED by RFC 1952 
    return null; 
  } 

  // NOTE: $mtime may be negative (PHP integer limitations) 
  $mtime = unpack("V", substr($data,4,4)); 
  $mtime = $mtime[1]; 
  $xfl   = substr($data,8,1); 
  $os    = substr($data,8,1); 
  $headerlen = 10; 
  $extralen  = 0; 
  $extra     = ""; 
  if ($flags & 4) { 
    // 2-byte length prefixed EXTRA data in header 
    if ($len - $headerlen - 2 < 8) { 
      return false;    // Invalid format 
    } 
    $extralen = unpack("v",substr($data,8,2)); 
    $extralen = $extralen[1]; 
    if ($len - $headerlen - 2 - $extralen < 8) { 
      return false;    // Invalid format 
    } 
    $extra = substr($data,10,$extralen); 
    $headerlen += 2 + $extralen; 
  } 
  $filenamelen = 0; 
  $filename = ""; 
  if ($flags & 8) { 
    // C-style string file NAME data in header 
    if ($len - $headerlen - 1 < 8) { 
      return false;    // Invalid format 
    } 
    $filenamelen = strpos(substr($data,8+$extralen),chr(0)); 
    if ($filenamelen === false || $len - $headerlen - $filenamelen - 1 < 8) { 
      return false;    // Invalid format 
    } 
    $filename = substr($data,$headerlen,$filenamelen); 
    $headerlen += $filenamelen + 1; 
  } 
  $commentlen = 0; 
  $comment = ""; 
  if ($flags & 16) { 
    // C-style string COMMENT data in header 
    if ($len - $headerlen - 1 < 8) { 
      return false;    // Invalid format 
    } 
    $commentlen = strpos(substr($data,8+$extralen+$filenamelen),chr(0)); 
    if ($commentlen === false || $len - $headerlen - $commentlen - 1 < 8) { 
      return false;    // Invalid header format 
    } 
    $comment = substr($data,$headerlen,$commentlen); 
    $headerlen += $commentlen + 1; 
  } 
  $headercrc = ""; 
  if ($flags & 1) { 
    // 2-bytes (lowest order) of CRC32 on header present 
    if ($len - $headerlen - 2 < 8) { 
      return false;    // Invalid format 
    } 
    $calccrc = crc32(substr($data,0,$headerlen)) & 0xffff; 
    $headercrc = unpack("v", substr($data,$headerlen,2)); 
    $headercrc = $headercrc[1]; 
    if ($headercrc != $calccrc) { 
      return false;    // Bad header CRC 
    } 
    $headerlen += 2; 
  } 
  // GZIP FOOTER - These be negative due to PHP's limitations 
  $datacrc = unpack("V",substr($data,-8,4)); 
  $datacrc = $datacrc[1]; 
  $isize = unpack("V",substr($data,-4)); 
  $isize = $isize[1]; 

  // Perform the decompression: 
  $bodylen = $len-$headerlen-8; 
  if ($bodylen < 1) { 
    // This should never happen - IMPLEMENTATION BUG! 
    return null; 
  } 
  $body = substr($data,$headerlen,$bodylen); 
  $data = ""; 
  if ($bodylen > 0) { 
    switch ($method) { 
      case 8: 
        // Currently the only supported compression method: 
        $data = gzinflate($body); 
        break; 
      default: 
        // Unknown compression method 
        return false; 
    } 
  } else { 
    // I'm not sure if zero-byte body content is allowed. 
    // Allow it for now...  Do nothing... 
  } 
  // Verifiy decompressed size and CRC32: 
  // NOTE: This may fail with large data sizes depending on how 
  //       PHP's integer limitations affect strlen() since $isize 
  //       may be negative for large sizes. 
  if ($isize != strlen($data) || crc32($data) != $datacrc) { 
    // Bad format!  Length or CRC doesn't match! 
    return false; 
  } 
  return $data; 
}

#5

 确实被GZIP压缩，解压后正常！       
     private static string DownloadWebPage(string url)
        {
            WebRequest request =
                WebRequest.Create(url);
            request.Credentials = CredentialCache.DefaultCredentials;
            HttpWebResponse response = (HttpWebResponse)request.GetResponse();
            //Console.WriteLine(response.StatusDescription);
            Stream dataStream = response.GetResponseStream();
            GZipStream gzip = new GZipStream(dataStream, CompressionMode.Decompress);
            StreamReader reader = new StreamReader(gzip, Encoding.GetEncoding("GB2312"));
            string responseFromServer = reader.ReadToEnd();
            reader.Close();
            dataStream.Close();
            response.Close();
            return responseFromServer;
        }
        static void Main(string[] args)
        {
            DownloadWebPage("http://price.pcauto.com.cn/dictionary/category/");
        }

#6

NIU  

#7

引用 4 楼 xuzuning 的回复:

不过是 gzip 压缩了而已
PHP code
$url = 'http://price.pcauto.com.cn/dictionary/category/';
$s = file_get_contents($url);
echo gzdecode($s);

function gzdecode($data) { 
  $len = strlen($data); 
  if ($len <……

太牛了

#8

不过是 gzip 压缩了而已

#9

引用 4 楼 xuzuning 的回复:

不过是 gzip 压缩了而已

PHP code
$url = 'http://price.pcauto.com.cn/dictionary/category/';
$s = file_get_contents($url);
echo gzdecode($s);

function gzdecode($data) { 
  $len = strlen($data); 
  if ……

版主很强大，请教一下：是如何看出来时经过gzip压缩的。以后学习留作参考。

#10

膜拜

#11

呵呵，谢谢了，又学了一招

我那问题已经搞定了，不过，用的。net采集的

#12

如果被“反采集”，用file_get_contents采集到的应该是空白，但是我采集的是乱码，想必就因为这个，才判断是gzip压缩吧