php实现简单爬虫的开发

5年以前 | 阅读数：345 次 | 编程语言：PHP

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。


    <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：


    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：


    $coding = mb_detect_encoding($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)


    $pattern = '|<a[^>]*>(.*)</a>|isU';
    preg_match_all($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(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 = 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

    }

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：


    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);
    });

上最终效果图：