获取 HTML 页面并将其存储在 MYSQL- 如何

Posted 2023-02-24

【中文标题】获取 HTML 页面并将其存储在 MYSQL- 如何

【英文标题】：Fetch HTML page and store it in MYSQL- How to

【发布时间】：2011-02-15 05:08:02

【问题描述】：

将带有 CSS 的格式化 html 页面存储到 mysql 数据库的最佳方式是什么？可能吗？

列类型应该是什么？如何检索存储的格式化 HTML 并使用 php 正确显示？

如果我要获取的页面有图片和视频怎么办，显示我将页面存储为 blob

使用 PHP-CURL、fopen、..- 获取页面的最佳方法是什么？

伙计们有很多问题，但我真的需要你的帮助才能让我走上正确的道路。

非常感谢。

【参考方案1】：

很简单，试试我为你做的这段代码。

这是获取源代码并将其保存在数据库中的基础知识。

我没有放错误处理或其他什么，只是暂时保持简单......

我没有做显示结果的函数，但是你可以打印$source来查看结果。

希望这会对你有所帮助。

<?php

function GetPage($URL)

    #Get the source content of the URL
    $source = file_get_contents($URL);

    #Extract the raw URl from the current one
    $scheme = parse_url($URL, PHP_URL_SCHEME); //Ex: http
    $host = parse_url($URL, PHP_URL_HOST); //Ex: www.google.com
    $raw_url = $scheme . '://' . $host; //Ex: http://www.google.com

    #Replace the relative link by an absolute one
    $relative = array();
    $absolute = array();

    #String to search
    $relative[0] = '/src="\//';
    $relative[1] = '/href="\//';

    #String to remplace by
    $absolute[0] = 'src="' . $raw_url . '/';
    $absolute[1] = 'href="' . $raw_url . '/';

    $source = preg_replace($relative, $absolute, $source); //Ex: src="/image/google.png" to src="http://www.google.com/image/google.png"

    return $source;


function SaveToDB($source)

    #Connect to the DB
    $db = mysql_connect('localhost', 'root', '');

    #Select the DB name
    mysql_select_db('test');

    #Ask for UTF-8 encoding
    mysql_query("SET NAMES 'utf8'");

    #Escape special chars
    $source = mysql_real_escape_string($source);

    #Set the Query
    $query = "INSERT INTO website (source) VALUES ('$source')"; //Save it in a text row, that's it...

    #Run the query
    mysql_query($query);

    #Close the connection
    mysql_close($db);


$source = GetPage('http://www.google.com');

SaveToDB($source);

?>

【讨论】：

非常感谢您的代码。我需要用 CSS 和图片存储一个格式化的网页，所以当我回显它时，结果将是一个与原始网页一样的格式化网页。我不感谢上面的代码会这样做。如果我错了，请纠正我。

会的，自己试试，使用：echo GetPage('google.com');您将看到与 google 相同的页面。如果这不是你想要的，我不明白你的要求......

谢谢，我去试试。

【参考方案2】：

使用 fopen 拉下整个页面并解析出任何 URL（如图像和 css）。您需要运行一个循环来获取生成页面的文件的每个 url。也存储这些，并用您的新链接替换用于链接到其他站点文件的 url。 （这将避免将来更改或删除文件时出现任何问题）。

我建议使用 blob 数据类型，因为它允许您将所有文件存储在一个表中，但您可以为具有文本数据类型的页面和另一个具有 blob 的页面创建一个表来存储图像和其他文件。

编辑： 如果您将存储为 blob 数据类型，请查看 base64_encode() 它将增加服务器上的存储空间，但您可以避免引号和特殊字符的任何问题。

【讨论】：

如果我错了请纠正我，您建议分两步解析页面。首先没有指向 css 和图像的链接，其次是链接。我的问题是我应该如何整体思考并将其存储在一个 blob 中，然后以正确的格式检索并显示它？你能解释一下吗？

您不能将整个页面保存为一个文件。您需要收集页面内的链接（css、javascript、图像等）然后打开并在本地保存这些文件。很多链接都是相对的，修改它们以便 fopen 可以打开文件。将这些文件保存在本地后，将 html 中的链接更改为您的本地链接。您还必须检查任何 javascript 和 css 的链接以及对这些文件重复该过程。 ~我假设你正在使用它来从其他站点（类似于archive.org）中抓取页面，而不是使用它来存储本地创建的模板。

你知道用 PHP 实现的快速 HTML 解析器来完成任务吗？

我从未使用过它，但我相信sourceforge.net/projects/simplehtmldom 相当容易设置，并且应该允许您更改 html 以满足您的需要。那里有很多解析器，一个快速的谷歌查询会找到其中的大部分。

【参考方案3】：

不要使用关系数据库来存储文件。使用文件系统或 NoSQL 解决方案。

您可能想了解各种可用的开源蜘蛛（想到 htdig 和 httrack）。

【参考方案4】：

我会将 URL 存储在数据库中，并定期为 wget 页面创建 cron 作业，并将它们存储在它们自己的键控本地目录中。使用wget 将允许您缓存页面，并且还可以选择缓存其图像、脚本等……。您还可以让 wget 命令更改嵌入的 URL，这样您就不必缓存所有内容。

Here is the man page for wget，你也可以考虑搜索“wget backup website”之类的。

（通过“键控目录”，我的意思是您的数据库表将有 2 个字段，一个“键”和一个“URL”，然后 [唯一]“键”将是您使用 @ 存档网站的路径987654326@.)

【讨论】：

为什么不呢，因为网页的 URL 非常小，我认为将页面内容保存在文本或 blob 中没有问题。我相信从数据库中获取 60KB 左右的数据会比本地硬盘更快。

【参考方案5】：

您可以将数据存储为 mysql 中的文本数据类型 但是您必须转换数据 bcz 页面可能包含许多引号和特殊字符。 你可以看到这个问题THIS它并不完全符合你的问题，但是当你将数据存储在数据库中时它会有所帮助。 关于该图像和视频...如果您正在存储页面内容，那么将只有该图像和视频的路径..所以当您存储在数据库中时不会出现问题。

【讨论】：

-1 几乎不可读且很大程度上是错误的。处理引号不需要“转换”数据，只需执行将数据插入数据库的标准常规方法。此外，一旦 HTML 从其原始 URI 移开，相对 URI 就会中断。

当您拥有带有样式的数据和带有许多引号的数据时......那么您就会明白我的意思。我认为您的页面内容没有引号或样式表。大多数情况下，当您存储将由用户输入的数据时，您不知道他们将输入什么。因此，如果您不喜欢，那没关系....如果您的数据仅由您输入，那么您将负责报价。当您触发查询时，引号会出现问题。