程式師世界 >> 編程語言 >> 網頁編程 >> PHP編程 >> 關於PHP編程 >> php實現簡單爬蟲的開發，php實現爬蟲

php實現簡單爬蟲的開發，php實現爬蟲

編輯：關於PHP編程

php實現簡單爬蟲的開發，php實現爬蟲

有時候因為工作、自身的需求，我們都會去浏覽不同網站去獲取我們需要的數據，於是爬蟲應運而生，下面是我在開發一個簡單爬蟲的經過與遇到的問題。

開發一個爬蟲，首先你要知道你的這個爬蟲是要用來做什麼的。我是要用來去不同網站找特定關鍵字的文章，並獲取它的鏈接，以便我快速閱讀。

按照個人習慣，我首先要寫一個界面，理清下思路。

    1、去不同網站。那麼我們需要一個url輸入框。
    2、找特定關鍵字的文章。那麼我們需要一個文章標題輸入框。
    3、獲取文章鏈接。那麼我們需要一個搜索結果的顯示容器。

<div class="jumbotron" id="mainJumbotron">
 <div class="panel panel-default">
 
  <div class="panel-heading">文章URL抓取</div>
 
  <div class="panel-body">
   <div class="form-group">
    <label for="article_title">文章標題</label>
    <input type="text" class="form-control" id="article_title" placeholder="文章標題">
   </div>
   <div class="form-group">
    <label for="website_url">網站URL</label>
    <input type="text" class="form-control" id="website_url" placeholder="網站URL">
   </div>
 
   <button type="submit" class="btn btn-default">抓取</button>
  </div>
 </div>
 <div class="panel panel-default">
 
  <div class="panel-heading">文章URL</div>
 
  <div class="panel-body">
   <h3></h3>
  </div>
 </div>
</div>

直接上代碼，然後加上自己的一些樣式調整，界面就完成啦：

那麼接下來就是功能的實現了，我用PHP來寫，首先第一步就是獲取網站的html代碼，獲取html代碼的方式也有很多，我就不一一介紹了，這裡用了curl來獲取，傳入網站url就能得到html代碼啦：

private function get_html($url){
 
 $ch = curl_init();
 
 $timeout = 10;
 
 curl_setopt($ch, CURLOPT_URL, $url);
 
 curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
 
 curl_setopt($ch, CURLOPT_ENCODING, 'gzip');
 
 curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.131 Safari/537.36');
 
 curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
 
 $html = curl_exec($ch);
 
 return $html;
 
}

雖然得到了html代碼，但是很快你會遇到一個問題，那就是編碼問題，這可能讓你下一步的匹配無功而返，我們這裡統一把得到的html內容轉為utf8編碼：

$coding = mb_detect_encoding($html);
if ($coding != "UTF-8" || !mb_check_encoding($html, "UTF-8"))
$html = mb_convert_encoding($html, 'utf-8', 'GBK,UTF-8,ASCII');

得到網站的html，要獲取文章的url，那麼下一步就是要匹配該網頁下的所有a標簽，需要用到正則表達式，經過多次測試，最終得到一個比較靠譜的正則表達式，不管a標簽下結構多復雜，只要是a標簽的都不放過：(最關鍵的一步)

$pattern = '|<a[^>]*>(.*)</a>|isU';
preg_match_all($pattern, $html, $matches);

匹配的結果在$matches中，它大概是這樣的一個多維素組：

array(2) { 
 [0]=> 
 array(*) { 
  [0]=>
  string(*) "完整的a標簽"
  .
  .
  .
 }
 [1]=>
 array(*) {
  [0]=>
  string(*) "與上面下標相對應的a標簽中的內容"
 }
}

只要能得到這個數據，其他就完全可以操作啦，你可以遍歷這個素組，找到你想要a標簽，然後獲取a標簽相應的屬性，想怎麼操作就怎麼操作啦，下面推薦一個類，讓你更方便操作a標簽：

$dom = new DOMDocument();
 
@$dom->loadHTML($a);//$a是上面得到的一些a標簽
 
$url = new DOMXPath($dom);
 
$hrefs = $url->evaluate('//a');
 
for ($i = 0; $i < $hrefs->length; $i++) {
 
 $href = $hrefs->item($i);
 
 $url = $href->getAttribute('href'); //這裡獲取a標簽的href屬性
 
}

當然，這只是一種方式，你也可以通過正則表達式匹配你想要的信息，把數據玩出新花樣。

得到並匹配得出你想要的結果，下一步當然就是傳回前端將他們顯示出來啦，把接口寫好，然後前端用js獲取數據，用jquery動態添加內容顯示出來：

var website_url = '你的接口地址';
$.getJSON(website_url,function(data){
 if(data){
  if(data.text == ''){
   $('#article_url').html('<div><p>暫無該文章鏈接</p></div>');
   return;
  }
  var string = '';
  var list = data.text;
  for (var j in list) {
    var content = list[j].url_content;
    for (var i in content) {
     if (content[i].title != '') {
      string += '<div class="item">' +
       '<em>[<a href="http://' + list[j].website.web_url + '" target="_blank">' + list[j].website.web_name + '</a>]</em>' +
       '<a href=" ' + content[i].url + '" target="_blank" class="web_url">' + content[i].title + '</a>' +
       '</div>';
     }
    }
   }
  $('#article_url').html(string);
});

上最終效果圖：