公众号推荐
微信公众号搜"智元新知" 关注 微信扫一扫可直接关注哦!
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
<div class="panel-body">
<div class="form-group">
<label for="article_title">文章 标题
<input type="text" class="form-control" id="article_title" placeholder="文章 标题 ">
<div class="panel-body">
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();
$timeout = 10;
curl_seto pt($ch,CURLOPT_URL,$url);
curl_seto pt($ch,CURLOPT_RETURNTRANSFER,1);
curl_seto pt($ch,CURLOPT_ENCODING,'gzip');
curl_seto pt($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_seto pt($ch,CURLOPT_CONNECTTIMEOUT,$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('
');
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:
原文地址:https://www.jb51.cc/php/20097.html
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。