發展一個爬蟲,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。
依照個人習慣,我首先要寫一個介面,並釐清下思路。
1、去不同網站。那我們需要一個url輸入框。
2、找特定關鍵字的文章。那我們就需要一個文章標題輸入框。
3、取得文章連結。那我們需要一個搜尋結果的顯示容器。
<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">文章标题</label> <input type="text" class="form-control" id="article_title" placeholder="文章标题"> </div> <div class="form-group"> <label for="website_url">网站URL</label> <input type="text" class="form-control" id="website_url" placeholder="网站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>
直接上程式碼,然後加上自己的一些樣式調整,介面就完成啦:
那麼接下來就是功能的實現了,我用PHP來寫,首先第一步就是取得網站的html程式碼,取得html程式碼的方式也有很多,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,這可能會讓你下一步的匹配無功而返,我們在這裡統一把得到的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標籤,需要用到正規表達式,經過多次測試,最終得到一個比較可靠的正則表達式,不管a標籤下結構多複雜,只要是a標籤的都不放過:(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标签" . . . } [1]=> array(*) { [0]=> string(*) "与上面下标相对应的a标签中的内容" } }
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標籤,然後獲取a標籤相應的屬性,想怎麼操作就怎麼操作啦,下面推荐一個類,讓你更方便操作a標籤:
$dom = new DOMDocument(); @$dom->loadHTML($a);//$a是上面得到的一些a标签 $url = new DOMXPath($dom); $hrefs = $url->evaluate('//a'); for ($i = 0; $i < $hrefs->length; $i++) { $href = $hrefs->item($i); $url = $href->getAttribute('href'); //这里获取a标签的href属性 }
當然,這只是一種方式,你也可以透過正規表示式來搭配你想要的訊息,把資料玩出新花樣。
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>暂无该文章链接</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: