Rumah 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]);
?>
Salin selepas log masuk


Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
2 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Repo: Cara menghidupkan semula rakan sepasukan
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Cara mendapatkan biji gergasi
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)