PHP 实现简单爬虫：file_get_contents 与正则应用

本文深入探讨了使用 PHP 的 `file_get_contents` 搭配正则表达式实现轻量级网页爬虫的核心要点与实战陷阱：既阐明了其依赖 `allow_url_fopen` 的前提条件及被禁用时必须转向 cURL 的刚性限制，也直击正则解析 HTML 的常见误区——如缺失 `s` 修饰符、贪心匹配导致的误捕与漏捕，并给出更健壮的模式设计建议；同时理性对比了正则与 DOMDocument 的适用边界，强调在结构简单、字段固定的场景下，前者凭借启动快、无依赖、代码简洁的优势依然高效可靠；最后提醒开发者绝不能忽视基础防护——模拟 User-Agent、添加请求延迟、控制超时与重定向、严格校验 URL 等，尤其点明正则对 JavaScript 动态渲染页面的天然失效，避免读者陷入“调参即万能”的认知误区。

file_get_contents 能否直接抓取网页内容

能，但有前提：目标网站允许被访问，且 PHP 配置启用了 allow_url_fopen（默认开启，但部分共享主机已禁用）。如果返回空或警告 Warning: file_get_contents(): failed to open stream: no suitable wrapper，说明已被禁用，此时必须改用 cURL —— file_get_contents 在这种情况下完全不可用。

实际使用时建议先检测：

if (!ini_get('allow_url_fopen')) {
    die('file_get_contents 无法用于远程 URL');
}

正则匹配 HTML 标签的常见翻车点

用 preg_match 提取标题、链接等字段时，最常犯的错误是写 /