[Eyüp]

Hallo Leute,
ich möchte rein interesseshalber meinen eigenen Suchmaschine mit Crawler in PHP entwickeln.

Habe mir ein paar Tutorials angeschaut, u.a. Fremde Webseiten auslesen und Rekursion.

Bin derzeit noch an den Grundlagen des Crawlers dran und versuche soweit es geht, alles an "meinem" Code zu verstehen.

Bisher hab ich das hier:

PHP-Code:

$host = "url_geaendert";
$filestring = file_get_contents($host);
$startpos = 0;
while($pos = strpos($filestring, "<a href", $startpos))
{
    $string = substr($filestring, $pos, strpos($filestring, "</a>", $pos + 1) - $pos);
    
    if(stristr($string, 'action=showfile')) {
       echo $string."<br />";
    }
    $startpos = $pos + 1;
} 


Mein Problem hier ist, dass ich jetzt das ich nur so ein Ergebnis bekommen
(Gekürzt und geändert)

<a href="index.php?a=link">Linkname<br />
<a href="index.php?a=link">Linkname<br />
<a href="index.php?a=link">Linkname<br />

So, wie bekomm ich das nun hin, dass ich vor dem index.php?a=link meinen gecrawlten url einfüge und diese Links erneut crawle.

Danke im vorraus

[MrNiceGuy]

Am Einfachsten ist wahrscheinlich mittels Regular Expression die Links auszulesen:

PHP-Code:

<?php
if (preg_match_all ('°href="([^"]+)"°is',
                    $stringText
                    $arrayMatches
                    ) > 0
    )
{
  foreach ($arrayMatches AS $integerKey => $arrayMatch)
  {
    // Hier kannst du die Links einzeln abarbeiten
  }
}
?>

Um zu verstehen, wie der RegEx arbeitet, solltest du dir allerdings vorher ein wenig über RegEx' im Allgemeinen aneignen...

[Eyüp]

Zitat von MrNiceGuy

Am Einfachsten ist wahrscheinlich mittels Regular Expression die Links auszulesen:

PHP-Code:

<?php
if (preg_match_all ('°href="([^"]+)"°is',
                    $stringText
                    $arrayMatches
                    ) > 0
    )
{
  foreach ($arrayMatches AS $integerKey => $arrayMatch)
  {
    // Hier kannst du die Links einzeln abarbeiten
  }
}
?>

Um zu verstehen, wie der RegEx arbeitet, solltest du dir allerdings vorher ein wenig über RegEx' im Allgemeinen aneignen...

Danke, werde mich damit auseinander setzen

[Eyüp]

Danke, musste den Code erweitern

PHP-Code:

<?php
$host = "url";
$filestring = file_get_contents($host);
$startpos = 0;
while($pos = strpos($filestring, "<a href", $startpos))
{
    $string = substr($filestring, $pos, strpos($filestring, "</a>", $pos + 1) - $pos);
    
    if(stristr($string, 'action=showfile')) {
       if (preg_match_all ('°index\.php\?([^"]+)°is',$string, $arrayMatches) > 0) {
          foreach ($arrayMatches AS $match) {
              foreach($match as $result) {
                  if(stristr($result, 'index.php')) {
                      echo "<a href='url/$result'>".$result."</a><br />";
                  }
                  }
              }
        } 
    }
    $startpos = $pos + 1;
}
?>

Jetzt heißt es, die letzte seite noch zu crawlen aber das kommt morgen

[dr.e.]

Hallo Eyüp,

wenn das allgemeingültig funktionieren soll, dann solltest du alle Vorkommen von

href="..."

parsen, dir daraus die Links in einen Hashtable schreiben, damit keine Rekursionen entstehen und anschließend rekursiv über die Seiten gehen (=einem Link folgen, den Quelltext holen, parsen, ...).

[Eyüp]

dr.e danke für den tipp.
wollen wir weiter machen, wo wir stehen geblieben sind.

jetzt bekomme ich alle vollständigen links.
nächstes problem:

ich möchte bestimmte inhalte extrahieren, dass geht sicherlich mit regex.


muss u.a. sowas parsen:

<td align="center" valign="middle"><div><strong>text mit punkt und etc.</strong></div></td>

ich muss ciherlich wie folgt vorgehen

PHP-Code:

$host = link
$file = file_get_contents($host);

$match = preg_match_all('regex_muss_schauen_wie_das_geht', $file, $matches);

print_r($matches); 


freu mich auf eure antworten

[dr.e.]

ich möchte bestimmte inhalte extrahieren, dass geht sicherlich mit regex.

Ich behaupte jetzt mal (aus Erfahrung), dass es nicht geht, denn du musst die Möglichkeit haben, generisch Tags zu Parsen und das funktioniert mit RegExps nur sehr bedingt, da diese sehr statisch sind. Sollen das nur bestimmte Fragmente sein, ok, aber ansonsten solltest du dir einen HTML-Parser bauen oder einen fertigen verwenden. Der fertige hat den Vorteil, dass du alle Elemente in einem Objektbaum abgreifen kannst und dieser etwas schneller ist, weil in C implementiert.

[dago]

An sich ist hier ja nur die Schwierigkeit ein RegExp in kombination mit einem Auswertungsscript zu erstellen.

Die Frage ist jetzt allerdings, was möchtest du genau erreichen?

Möglich währe auch alle HTML-Elemente und irelevanten Inhalt herauszulöschen. Dann bleibt nur der Inhalt (der Text) der Seite übrig.

Denke aber der nächste Schritt wird wohl sein den Inhalt interpretieren zu können. Da währe es sinnfoll den Inhalt in ein Array oder, wie erwähnt, in Objektbaum zu bringen. Oder soll es eine einfache Suchfunktion nach vorkommenden Wörtern werden?


Damit man dir weiter helfen kann, solltest du über diesen Punkt hinaus sein (wenn du den Inhalt parsen möchtest) :

'regex_muss_schauen_wie_das_geht'

[Eyüp]

Zitat von dr.e.

Ich behaupte jetzt mal (aus Erfahrung), dass es nicht geht, denn du musst die Möglichkeit haben, generisch Tags zu Parsen und das funktioniert mit RegExps nur sehr bedingt, da diese sehr statisch sind. Sollen das nur bestimmte Fragmente sein, ok, [...]

es sind statische elemente .

[Eyüp]

So, habs probiert

PHP-Code:

<?php
$host = "http://www.url";

$filestring = file_get_contents($host);
$startpos = 0;
while($pos = strpos($filestring, "<a href", $startpos))
{
    $string = substr($filestring, $pos, strpos($filestring, "</a>", $pos + 1) - $pos);
    
    if(stristr($string, 'action=showfile')) {
       if (preg_match_all ('°index\.php\?([^"]+)°is',$string, $arrayMatches) > 0) {
          foreach ($arrayMatches AS $match) {
              foreach($match as $result) {
                  if(stristr($result, 'index.php')) {
$host = "http://www.url$result";
$file = file_get_contents($host);

$match = preg_match_all('#<td align="center" valign="middle"><div><strong>(.*)</strong></div></td></tr></table></td>#', $file, $t);

echo "Titel: ".$t[1][0]."<br />";
echo "URL: ".$host."<br />";
$match = preg_match_all('#<br />\s(.*)<img width="261" height="53" src="img/download_button.gif" alt="Download starten" border="1" />#', $file, $p);
$match = preg_match_all('#<a href="(.*)" target="_blank">#', $p[1][0], $d);
echo "Detail 3: ".$d[1][0]."<br /><br />";                      
                                    }
                  }
              }
        } 
    }
    $startpos = $pos + 1;
}
?>

Naja, jetzt werden die urls ausgegeben, aber die details nicht..

[Eyüp]

So hab mal bissl weiter gearbeitet.

Der Code ist kürzer geworden, jetzt fehlen mir einige Funktionen, was aber nicht funktioniert.

Der Code sieht jetzt so aus

PHP-Code:

<?php
error_reporting(E_ALL);

$host = "URL/index.php?action=showall&do=1,0,1";
$filestring = file_get_contents($host);
$startpos = 0;

while($pos = strpos($filestring, "<a href", $startpos)) {
    $string = substr($filestring, $pos, strpos($filestring, "</a>", $pos + 1) - $pos);
    
        if(stristr($string, 'action=showfile')) {
            if (preg_match_all ('°index\.php\?([^"]+)°is',$string, $arrayMatches) > 0) {
                foreach($arrayMatches[0] as $value) {
                    echo "URL/$value<br />";
                }
            } 
        }
    $startpos = $pos + 1;
}
?>

Und ich möchte diesen Teil mit rein implementieren

PHP-Code:

<?php
error_reporting(E_ALL);
$host ='URL';
$file = file_get_contents($host);

$match = preg_match_all('#<td align="center" valign="middle"><div><strong>(.*)</strong></div></td></tr></table></td>#', $file, $t);
echo "Titel: ".$t[1][0]."<br />";
echo "URL: ".$host."<br />";
$match = preg_match_all('#<br />\s(.*)<img width="261" height="53" src="img/download_button.gif" alt="Download starten" border="1" />#', $file, $p);
$match = preg_match_all('#<a href="(.*)" target="_blank">#', $p[1][0], $d);
if(stristr($d[1][0], 'uploaded.to')) {
    echo "Download Typ: Uploaded.to";
}
//echo "Link: ".$d[1][0];

?>

Immer wenn ich das mache, geht es nicht. Habt ihr einen Rat?

[robo47]

Nur mal so ne Frage, deute ich das richtig dass du da einfach massiv viele Links von einer anderen Seite auslesen willst und als eigene Downloads mit direkten Links zu DEREN Files anbieten willst ?

Darfst du das ? Wenn ja, stellt sich die Frage warum dir dafür keine passende API gestellt wird.

Bei mir kommt der Verdacht auf, dass das ganze nicht so ganz erlaubt ist. Kannst mich aber gerne vom Gegenteil überzeugen

[Eyüp]

Es ist ein projektidee, mit der ich erfahrung sammeln möchte. wenn es aus einer seite wäre, würd ich ne api verlangen, ja, is aber net so.

hoffe, das reicht an erklärung gern darfst du mir jetzt weiterhelfen

[Eyüp]

So leute, ich bin ziemlich weit gekommen, kann durch verschiedenen strukturierte paginations crawlen.

Als ergebnis bekomme ich jetzt rund 6.000 Links, die zum letzten mal gecrawlt werden, das krieg ich hin, bloss mein script crawlt jetzt nur ne jeden 6. Link.

Hängt das am max_exec time?

[Ben]

Wird wirklich nur jeder sechste Link angefasst oder eben die ersten 1000 Links?
Bei ersterem scheint mir dann doch etwas am Code falsch zu sein.

[Eyüp]

das erstere, naja am ich schau nochmal drüber, wenn ichs net hinbekomme, poste ich nochmal hier her