FeedX

其实，我这只算是投机取巧。

技术是死的，人是活的，如果只在一棵树上吊死，岂不是浪费了整片森林。

网上类似教程更多的是教你一条路走到黑。

“哎呀，这个抓不到数据呀，我查了好像得要模拟登录。”

“嗯，你说的没错，正好我这儿有一篇教程是教怎么模拟登录的，你好好看看，学习一下。”

这可以解决问题，但路不止一条。 继续

这里以PHP版为例，尽量说得通俗点吧，水平实在有限，见谅。虽然并没有多高深，但请转载者注意起码的礼貌。

目前我这里所有的获取全文输出的网站大概是三种情况：

1. 要输出的内容集中在一页上，也就是看似列表页的页面里集中了你想要的所有内容，并不需要点击“更多”或“继续阅读”才能看到文章整体。比如糗事百科、wiki。
2. 有列表页，要查看相应文章必须点击链接进入。
3. json方式写入。特征就是查看源文件并不能找到你在浏览器中看到的内容。比如腾讯新闻图片（链接），它的真正内容在这（链接）。

第一种最省事，第二种最常见，第三种稍麻烦。

今天先讲第二种。

以知乎日报为例 （链接），先看代码：（把下列源码存为zhihu.php）

 

重点是第8行往后。只解释我认为重要的，不明白的可以讨论。

第2行，引入gethtml方法，来自下面的代码。

看一下第8行gethtml(‘http://daily.zhihu.com/’)得到了什么（链接），虽然有点乱，但是目的达到了，http://daily.zhihu.com/ 我已经抓到本地服务器上。

第9行是要挑出需要的链接 $links（链接）

第13行利用这些链接继续抓取页面 $content=gethtml($link)

第14、15行从$content里查找需要的$title（文章标题）和$article（文章内容）

后面就是按RSS要求的格式输出，并最终生成xml文件。

最后，想办法打开https://feedx.net/rss/tutorial/zhihuu.php，只要程序不出错，就会同目录生成zhihu.xml，订阅地址即为https://feedx.net/rss/tutorial/zhihu.xml

怎么自动打开那个网址呢，crontab、计划任务、cPanel、wordpress插件都可以，如果都没有的话，网上也是有人提供这个服务的，http://cron-job.org，自己去看吧…

上面我说的查找、挑出都是用正则来实现的，此外最好对html特别熟悉，操作起来才能得心应手。

想要自己完成还是要有一定基础的，完全靠伸手是不现实的，还不如去买那些能可视化操作的产品。如果正则不熟或不想学，可以试试PHP Simple HTML DOM Parser，类似jQuery。

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

参数的用法：

默认可以不加参数，基本写法是这样的：

上面的意思是我去抓取的时候让自己更像个浏览器，模拟的是chrome 65.0.3325.162版，还加上了cookie；因为一个网址可能会跳转很多次才到目标网址，通常我们是不用去管这些的，比如我好奇心很重，就可以把header信息也打印出来。还有更多的一些用法可以参考curl自己添加。

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

下面是在别人的基础上自己总结的利用curl抓取页面的方法，把下面源码存为gethtml.php，与zhihu.php放于同一目录下。我所有的抓取都是用的这个方法，当然，省事的话可以用 file_get_contents，那就是真正的20行代码完成全文RSS输出了，不过可选的参数就没有了，有的页面会抓取不到。