php实现简单爬虫的开发

时间：2018-12-30分类：PHP作者：编程之家

有时候因为工作、自身的需求，我们都会去浏览不同网站去获取我们需要的数据，于是爬虫应运而生，下面是我在开发一个简单爬虫的经过与遇到的问题。

开发一个爬虫，首先你要知道你的这个爬虫是要用来做什么的。我是要用来去不同网站找特定关键字的文章，并获取它的链接，以便我快速阅读。

按照个人习惯，我首先要写一个界面，理清下思路。

1、去不同网站。那么我们需要一个url输入框。 2、找特定关键字的文章。那么我们需要一个文章标题输入框。 3、获取文章链接。那么我们需要一个搜索结果的显示容器。

rush:xhtml;">

<div class="panel-heading">文章URL抓取

<button type="submit" class="btn btn-default">抓取

<div class="panel-heading">文章URL

直接上代码，然后加上自己的一些样式调整，界面就完成啦：

那么接下来就是功能的实现了，我用PHP来写，首先第一步就是获取网站的HTML代码，获取 HTML代码的方式也有很多，我就不一一介绍了，这里用了curl来获取，传入网站url就能得到HTML代码啦：

rush:xhtml;"> 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;

}

虽然得到了HTML代码，但是很快你会遇到一个问题，那就是编码问题，这可能让你下一步的匹配无功而返，我们这里统一把得到的html内容转为utf8编码：

rush:PHP;"> $coding = mb_detect_encoding($html); if ($coding != "UTF-8" || !mb_check_encoding($html,"UTF-8")) $html = mb_convert_encoding($html,'utf-8','GBK,UTF-8,ASCII');

得到网站的html，要获取文章的url，那么下一步就是要匹配该网页下的所有a标签，需要用到正则表达式，经过多次测试，最终得到一个比较靠谱的正则表达式，不管a标签下结构多复杂，只要是a标签的都不放过：(最关键的一步)

rush:PHP;"> $pattern = '|]*>(.*)|isU'; preg_match_all($pattern,$html,$matches);

匹配的结果在$matches中，它大概是这样的一个多维素组：

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" } }

只要能得到这个数据，其他就完全可以操作啦，你可以遍历这个素组，找到你想要a标签，然后获取a标签相应的属性，想怎么操作就怎么操作啦，下面推荐一个类，让你更方便操作a标签：

@$dom->loadHTML($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

}

当然，这只是一种方式，你也可以通过正则表达式匹配你想要的信息，把数据玩出新花样。

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：

rush:PHP;"> var website_url = '你的接口地址'; $.getJSON(website_url,function(data){ if(data){ if(data.text == ''){ $('#article_url').html('

暂无该文章链接

'); 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 += '

[]' + '' + '

'; } } } $('#article_url').html(string); });

上最终效果图：