ホームページ php教程 php手册 php模仿百度spider蜘蛛爬虫程序例子

php模仿百度spider蜘蛛爬虫程序例子

May 25, 2016 pm 04:40 PM

下面来看一个php模仿百度spider蜘蛛爬虫程序例子,这个代码写得比较高级了我就不分析了,大家有需要的可以进入参考一下吧.

自己用PHP写了个爬虫,基本功能已经实现,有兴趣的可以试试

脚本缺点:1.未对静态页面进行去重处理,2.未对页面内js操作后的结果进行处理

php模仿百度spider蜘蛛爬虫程序例子代码如下:

<?php
//加载页面
function curl_get($url) {
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_HEADER, 1);
    $result = curl_exec($ch);
    $code = curl_getinfo($ch, CURLINFO_HTTP_CODE);
    if ($code != &#39;404&#39; && $result) {
        return $result;
    }
    curl_close($ch);
}
//获取页面url链接
function get_page_urls($spider_page_result, $base_url) {
    $get_url_result = preg_match_all("/<[a|A].*?href=[\&#39;\"]{0,1}([^>\&#39;\"\ ]*).*?>/", $spider_page_result, $out);
    if ($get_url_result) {
        return $out[1];
    } else {
        return;
    }
}
//相对路径转绝对路径
function xdtojd($base_url, $url_list) {
    if (is_array($url_list)) {
        foreach ($url_list as $url_item) {
            if (preg_match("/^(http:\/\/|https:\/\/|javascript:)/", $url_item)) {
                $result_url_list[] = $url_item;
            } else {
                if (preg_match("/^\//", $url_item)) {
                    $real_url = $base_url . $url_item;
                } else {
                    $real_url = $base_url . "/" . $url_item;
                }
                //$real_url = &#39;http://www.sumpay.cn/&#39;.$url_item;
                $result_url_list[] = $real_url;
            }
        }
        return $result_url_list;
    } else {
        return;
    }
}
//删除其他站点url
function other_site_url_del($jd_url_list, $url_base) {
    if (is_array($jd_url_list)) {
        foreach ($jd_url_list as $all_url) {
            echo $all_url;
            if (strpos($all_url, $url_base) === 0) {
                $all_url_list[] = $all_url;
            }
        }
        return $all_url_list;
    } else {
        return;
    }
}
//删除相同URL
function url_same_del($array_url) {
    if (is_array($array_url)) {
        $insert_url = array();
        $pizza = file_get_contents("/tmp/url.txt");
        if ($pizza) {
            $pizza = explode("\r\n", $pizza);
            foreach ($array_url as $array_value_url) {
                if (!in_array($array_value_url, $pizza)) {
                    $insert_url[] = $array_value_url;
                }
            }
            if ($insert_url) {
                foreach ($insert_url as $key => $insert_url_value) {
                    //这里只做了参数相同去重处理
                    $update_insert_url = preg_replace(&#39;/=[^&]*/&#39;, &#39;=leesec&#39;, $insert_url_value);
                    foreach ($pizza as $pizza_value) {
                        $update_pizza_value = preg_replace(&#39;/=[^&]*/&#39;, &#39;=leesec&#39;, $pizza_value);
                        if ($update_insert_url == $update_pizza_value) {
                            unset($insert_url[$key]);
                            continue;
                        }
                    }
                }
            }
        } else {
            $insert_url = array();
            $insert_new_url = array();
            $insert_url = $array_url;
            foreach ($insert_url as $insert_url_value) {
                $update_insert_url = preg_replace(&#39;/=[^&]*/&#39;, &#39;=leesec&#39;, $insert_url_value);
                $insert_new_url[] = $update_insert_url;
            }
            $insert_new_url = array_unique($insert_new_url);
            foreach ($insert_new_url as $key => $insert_new_url_val) {
                $insert_url_bf[] = $insert_url[$key];
            }
            $insert_url = $insert_url_bf;
        }
        return $insert_url;
    } else {
        return;
    }
}
$current_url = $argv[1];
$fp_puts = fopen("/tmp/url.txt", "ab"); //记录url列表
$fp_gets = fopen("/tmp/url.txt", "r"); //保存url列表
$url_base_url = parse_url($current_url);
if ($url_base_url[&#39;scheme&#39;] == "") {
    $url_base = "http://" . $url_base_url[&#39;host&#39;];
} else {
    $url_base = $url_base_url[&#39;scheme&#39;] . "://" . $url_base_url[&#39;host&#39;];
}
do {
    $spider_page_result = curl_get($current_url);
    //var_dump($spider_page_result);
    $url_list = get_page_urls($spider_page_result, $url_base);
    //var_dump($url_list);
    if (!$url_list) {
        continue;
    }
    $jd_url_list = xdtojd($url_base, $url_list);
    //var_dump($jd_url_list);
    $result_url_arr = other_site_url_del($jd_url_list, $url_base);
    var_dump($result_url_arr);
    $result_url_arr = url_same_del($result_url_arr);
    //var_dump($result_url_arr);
    if (is_array($result_url_arr)) {
        $result_url_arr = array_unique($result_url_arr);
        foreach ($result_url_arr as $new_url) {
            fputs($fp_puts, $new_url . "\r\n");
        }
        
    }
} while ($current_url = fgets($fp_gets, 1024)); //不断获得url
preg_match_all("/<a[^>]+href=[\"&#39;]([^\"&#39;]+)[\"&#39;][^>]+>/", $spider_page_result, $out);
// echo a href
//var_dump($out[1]);
?>
ログイン後にコピー


このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

メモ帳++7.3.1

メモ帳++7.3.1

使いやすく無料のコードエディター

SublimeText3 中国語版

SublimeText3 中国語版

中国語版、とても使いやすい

ゼンドスタジオ 13.0.1

ゼンドスタジオ 13.0.1

強力な PHP 統合開発環境

ドリームウィーバー CS6

ドリームウィーバー CS6

ビジュアル Web 開発ツール

SublimeText3 Mac版

SublimeText3 Mac版

神レベルのコード編集ソフト(SublimeText3)