PHP如何開發簡單爬蟲

有時候因為工作、自身的需求，我們都會去瀏覽不同網站去獲取我們需要的數據，於是爬蟲應運而生，下面是開發一個簡單爬蟲的經過與遇到的問題。 開發一個爬蟲，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，理清下思路。

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。

[xhtml] view plain copy
<p class="jumbotron" id="mainJumbotron">  
 <p class="panel panel-default">  
   
  <p class="panel-heading">文章URL抓取</p>  
   
  <p class="panel-body">  
   <p 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">  
   </p>  
   <p class="form-group">  
    <label for="website_url">网站URL</label>  
    <input type="text" class="form-control" id="website_url" placeholder="网站URL">  
   </p>  
   
   <button type="submit" class="btn btn-default">抓取</button>  
  </p>  
 </p>  
 <p class="panel panel-default">  
   
  <p class="panel-heading">文章URL</p>  
   
  <p class="panel-body">  
   <h3></h3>  
  </p>  
 </p>  
</p>

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，首先第一步就是獲取網站的html代碼，獲取html代碼的方式也有很多，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：

[xhtml] view plain copy
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，這可能讓你下一步的匹配無功而返，我們這裡統一把得到的html內容轉為utf8編碼：

[php] view plain copy
$coding = mb_detect_encoding($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，要取得文章的url，那麼下一步就是要符合該網頁下的所有a標籤，需要用到正規表示式，經過多次測試，最終得到一個比較可靠的正規表示式，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)

[php] view plain copy
$pattern = &#39;|<a[^>]*>(.*)</a>|isU&#39;;  
preg_match_all($pattern, $html, $matches);

匹配的結果在$matches中，它大概是這樣的一個多維素組;

[js] view plain copy
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：

[php] view plain copy
$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(&#39;href&#39;); //这里获取a标签的href属性  
   
}

當然，這只是一種方式，你也可以通過正則表達式匹配你想要的訊息，把數據玩出新花樣。

得到并匹配得出你想要的结果，下一步当然就是传回前端将他们显示出来啦，把接口写好，然后前端用js获取数据，用jquery动态添加内容显示出来：

[php] view plain copy
var website_url = '你的接口地址';  
$.getJSON(website_url,function(data){  
 if(data){  
  if(data.text == ''){  
   $(&#39;#article_url&#39;).html(&#39;<p><p>暂无该文章链接</p></p>&#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;<p 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;</p>&#39;;  
     }  
    }  
   }  
  $(&#39;#article_url&#39;).html(string);  
});

上最终效果图：

以上是PHP如何開發簡單爬蟲的詳細內容。更多資訊請關注PHP中文網其他相關文章！