PHP网站制作中经常需要采集其他网站的数据，有些细节问题会导致遇到很大麻烦，至于攻防采集在此不细说，下面优加网络记录一下采集过程中的几个要点需要注意的地方

    1、首先要获取到对方网址的所有内容，可能你会想到用file_gets_contents来获取，但此函数不适合用于获取远程文件，用于打开本地txt文件还是蛮好用的。那么用什么来获取呢？Curl，这个php的扩展来处理。下面就是一个简单的获取网页内容的基本配置，更多参数配置可以到网上去搜。
 
    
2、在采集网页匹配数据时，特别是在列表页，可以先把获取到的对方所有的空格换行等html标签去掉，写起正则来就会容易很多。这里提供一个函数：

    
 
3、在获取到对方的数据的时候就要开始正则匹配了，这里介绍几个常有的匹配规则：
一个是任意字符(.*?)，另一个是([\s\S]*?)表示包括换行符的任意字符，在匹配过程中够用了。然后选择匹配模式i即可。

4、介绍一下采集的思路，可以先把符合页面的数据下载下来保存为txt文件，再来本地处理就更快一些。还有就是为了避免频繁访问对方网站或数据丢失状态可以加一个while(){}循环或是sleep()暂停几秒来处理。把相关的数据库处理函数要封装好，直接调用。

5、还有一个重要的事情，很多人可能会忽略，就是页面的编码问题，如果对方网站是gbk的编码，则相应的php文件或是用于提交条件的html文件也会是gbk的编码。但是这会存在一个问题，就是发生在gbk的html向gbk的php页面提交中文数据的时候，gbk的php文件可能就不会给你反应，如果你用这些中文数据去匹配的时候会遇到问题。于是要转变思路，utf-8是最好的编码模式，所以我们要采用utf-8的编码，而对方的又是gbk的，如何做呢？
$allcontent =iconv('gbk', 'utf-8',removetag(curl_exec($ch)));
上面的这样转换就ok了！所有的都用utf-8

本文作者：优加网络王国梁