Beispiel für die Verwendung von PHP zum Crawlen von Baidu Reading

黄舟
Freigeben: 2023-03-05 22:40:02
Original
1891 Leute haben es durchsucht

Vorwort

In diesem Artikel wird hauptsächlich die Verwendung von PHP zum Erfassen von Baidu Reading vorgestellt. Im Folgenden gibt es nicht viel zu sagen, werfen wir einen Blick darauf.

Die Crawling-Methode ist wie folgt

Öffnen Sie zunächst die Leseseite im Browser, überprüfen Sie den Quellcode und stellen Sie fest, dass der Inhalt des Romans nicht direkt darauf geschrieben ist die Seite, das heißt Es wird gesagt, dass der Inhalt des Romans asynchron geladen wird.

Also habe ich die Entwicklertools von Chrome auf die Netzwerkspalte umgestellt, die Leseseite aktualisiert und mich auf die beiden Kategorien XHR und Skript konzentriert.

Nach einer Untersuchung wurde festgestellt, dass es eine JSONP-Anfrage unter der Kategorie „Skript“ gab, die eher wie der Inhalt eines Romans aussah. Die angeforderte Adresse war
http://www.php.cn/
Die Antwort war eine

jsonp
Nach dem Login kopieren

-Zeichenfolge, und dann stellte ich fest, dass, wenn ich das

callback=wenku7
Nach dem Login kopieren

in der Adresse entferne, ein

json
Nach dem Login kopieren
Nach dem Login kopieren
zurückgegeben wird

Zeichenfolge, daher ist sie beim Parsen sehr praktisch und kann direkt in ein Array in PHP konvertiert werden.

Analysieren wir die Struktur der zurückgegebenen Daten. Auf die zurückgegebene Zeichenfolge

json
Nach dem Login kopieren
Nach dem Login kopieren

folgt ein t-Attribut und ein c-Attribut Geben Sie die Bezeichnung dieses Knotens an, z. B. h2 p usw., das c-Attribut ist der Inhalt, es gibt jedoch zwei Möglichkeiten: eine ist eine Zeichenfolge, die andere ist ein Array, und jedes Element des Arrays ist ein Knoten.

Diese Art von Struktur lässt sich am besten analysieren und kann mit einer Rekursion durchgeführt werden

Der endgültige Code lautet wie folgt:

<?php
class BaiduYuedu {
 protected $bookId;
 protected $bookToken;
 protected $cookie;
 protected $result;
 public function __construct($bookId, $bookToken, $cookie){
  $this->bookId = $bookId;
  $this->bookToken = $bookToken;
  $this->cookie = $cookie;
 }
 public static function parseNode($node){
  $str = &#39;&#39;;
  if(is_string($node[&#39;c&#39;])){
   $str .= $node[&#39;c&#39;];
  }else if(is_array($node[&#39;c&#39;])){
   foreach($node[&#39;c&#39;] as $d){
    $str .= self::parseNode($d);
   }
  }
  switch($node[&#39;t&#39;]){
   case &#39;h2&#39;:
    $str .= "\n\n";
    break;
   case &#39;br&#39;:
   case &#39;p&#39;:
   case &#39;p&#39;:
    $str .= "\n";
    break;
   case &#39;img&#39;:
   case &#39;span&#39;:
    break;
   case &#39;obj&#39;:
    $tmp = &#39;(&#39; . self::parseNode($node[&#39;data&#39;][0]) . &#39;)&#39;;
    $str .= str_replace("\n", &#39;&#39;, $tmp);
    break;
   default:
    trigger_error(&#39;Unkown type:&#39;.$node[&#39;t&#39;], E_USER_WARNING);
    break;
  }
  return $str;
 }
 public function get($page = 1){
  echo "getting page {$page}...\n";
  $ch = curl_init();
  $url = sprintf(&#39;http://wenku.baidu.com/content/%s/?m=%s&type=json&cn=%d&#39;, $this->bookId, $this->token, $page);
  curl_setopt_array($ch, array(
   CURLOPT_URL   => $url,
   CURLOPT_RETURNTRANSFER => 1,
   CURLOPT_HEADER   => 0,
   CURLOPT_HTTPHEADER  => array(&#39;Cookie: &#39;. $this->cookie)
  ));
  $ret = json_decode(curl_exec($ch), true);
  curl_close($ch);
  $str = &#39;&#39;;
  if(!empty($ret)){
   $str .= self::parseNode($ret);
   $str .= $this->get($page + 1);
  }
  return $str;
 }
 public function start(){
  $this->result = $this->get();
 }
 public function getResult(){
  return $this->result;
 }
 public function saveTo($path){
  if(empty($this->result)){
   trigger_error(&#39;Result is empty&#39;, E_USER_ERROR);
   return;
  }
  file_put_contents($path, $this->result);
  echo "save to {$path}\n";
 }
}
//使用示例
$yuedu = new BaiduYuedu(&#39;49422a3769eae009581becba&#39;, &#39;8ed1dedb240b11bf0731336eff95093f&#39;, &#39;你的百度域cookie&#39;);
$yuedu->start();
$yuedu->saveTo(&#39;result.txt&#39;);
Nach dem Login kopieren



Die ersten beiden Parameter dieser Klasse können auf der Einleitungsseite des Romans abgerufen werden. Der erste Parameter

bookId
Nach dem Login kopieren

ist

url
Nach dem Login kopieren

li

ebook
Nach dem Login kopieren
Die Zeichenfolge gefolgt von

, dem zweiten Parameter

bookToken
Nach dem Login kopieren

, wird im Quellcode der Seite nach

bdjsonUrl
Nach dem Login kopieren

durchsucht, dem Einer nach dem

m
Nach dem Login kopieren

Parameter Strings sind.

Hinweis: Wenn Baidu

cookie
Nach dem Login kopieren
Nach dem Login kopieren
Nach dem Login kopieren

nicht übergeben wird oder Baidu

cookie
Nach dem Login kopieren
Nach dem Login kopieren
Nach dem Login kopieren

ungültig ist, gilt nur der kostenlose Leseteil Um den gesamten Inhalt zu erfassen, müssen Sie sicherstellen, dass

cookie
Nach dem Login kopieren
Nach dem Login kopieren
Nach dem Login kopieren

normal verwendet werden kann.

Zusammenfassung

Das Obige ist ein Beispiel für die Verwendung von PHP zum Crawlen von Baidu Reading. Weitere verwandte Inhalte finden Sie unter PHP chinesische Website (www.php.cn)!

Verwandte Etiketten:
Quelle:php.cn
Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn
Beliebte Tutorials
Mehr>
Neueste Downloads
Mehr>
Web-Effekte
Quellcode der Website
Website-Materialien
Frontend-Vorlage