首頁 > php教程 > PHP开发 > 一個簡單爬蟲的開發

一個簡單爬蟲的開發

高洛峰
發布: 2016-11-22 17:28:27
原創
1455 人瀏覽過

    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。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

<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>

登入後複製

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:

一個簡單爬蟲的開發

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:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

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, &#39;gzip&#39;);

 

    curl_setopt($ch, CURLOPT_USERAGENT, &#39;Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.131 Safari/537.36&#39;);

 

    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

 

    $html = curl_exec($ch);

 

    return $html;

 

}

登入後複製

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:

1

2

3

4

5

$coding = mb_detect_encoding($html);

 

if ($coding != "UTF-8" || !mb_check_encoding($html, "UTF-8"))

 

    $html = mb_convert_encoding($html, &#39;utf-8&#39;, &#39;GBK,UTF-8,ASCII&#39;);

登入後複製

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)

1

2

3

$pattern = &#39;|<a[^>]*>(.*)</a>|isU&#39;;

 

preg_match_all($pattern, $html, $matches);

登入後複製

匹配的結果在$matches中,它大概是這樣的一個多維素組:

1

2

3

4

5

6

7

8

9

10

11

12

13

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"    }

}

登入後複製

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:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

$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(&#39;//a&#39;);

 

for ($i = 0; $i < $hrefs->length; $i++) {

 

    $href = $hrefs->item($i);

 

    $url = $href->getAttribute(&#39;href&#39;); //这里获取a标签的href属性

 

}

登入後複製

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:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

var website_url = &#39;你的接口地址&#39;;

$.getJSON(website_url,function(data){

    if(data){

        if(data.text == &#39;&#39;){

            $(&#39;#article_url&#39;).html(&#39;<div><p>暂无该文章链接</p></div>&#39;);

            return;

        }

        var string = &#39;&#39;;

        var list = data.text;

        for (var j in list) {

                var content = list[j].url_content;

                for (var i in content) {

                    if (content[i].title != &#39;&#39;) {

                        string += &#39;<div class="item">&#39; +

                            &#39;<em>[<a href="http://&#39; + list[j].website.web_url + &#39;" target="_blank">&#39; + list[j].website.web_name + &#39;</a>]</em>&#39; +

                            &#39;<a href=" &#39; + content[i].url + &#39;" target="_blank" class="web_url">&#39; + content[i].title + &#39;</a>&#39; +

                            &#39;</div>&#39;;

                    }

                }

            }

        $(&#39;#article_url&#39;).html(string);

});

登入後複製

上最終效果圖:

一個簡單爬蟲的開發

一個簡單爬蟲的開發

相關標籤:
本網站聲明
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn
最新問題
求可靠的vim html css js beauty 插件
來自於 1970-01-01 08:00:00
0
0
0
html怎麼轉換成PHP?
來自於 1970-01-01 08:00:00
0
0
0
html表單資料無法提交到php
來自於 1970-01-01 08:00:00
0
0
0
熱門推薦
熱門教學
更多>
最新下載
更多>
網站特效
網站源碼
網站素材
前端模板