php實現簡單爬蟲的開發案例

有時候因為工作、自身的需求，我們都會去瀏覽不同網站去擷取我們需要的資料，於是爬蟲應運而生，下面是我在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，並擷取它的連結，以便我快速閱讀。

按照個人習慣，我首先要寫一個介面，理清下思路。

1、去不同網站。那麼我們需要一個url輸入框。
2、找特定關鍵字的文章。那麼我們需要一個文章標題輸入框。
3、擷取文章連結。那麼我們需要一個搜尋結果的顯示容器。

<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">文章標題</label>    <input type="text" class="form-control" id="article_title" placeholder="文章標題">   </p>   <p class="form-group">    <label for="website_url">網站URL</label>    <input type="text" class="form-control" id="website_url" placeholder="網站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>

直接上代碼，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，首先第一步就是擷取網站的html代碼，擷取html代碼的方式也有很多，我就不一一介紹了，這裡用了curl來擷取，傳入網站url就能得到html代碼啦：

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; }

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：

$coding = mb_detect_encoding($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，要擷取文章的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Regex，經過多次測試，最終得到一個比較靠譜的Regex，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)

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

匹配的結果在$matches中，它大概是這樣的一個多維素組：

array(2) {  [0]=>  array(*) {   [0]=>  string(*) "完整的a標籤"  .  .  . } [1]=> array(*) {  [0]=>  string(*) "與上面下標相對應的a標籤中的內容" }}

只要能得到這個資料，其他就完全可以操作啦，你可以遍曆這個素組，找到你想要a標籤，然後擷取a標籤相應的屬性，想怎麼操作就怎麼操作啦，下面推薦一個類，讓你更方便操作a標籤：

$dom = new DOMDocument(); @$dom->loadHTML($a);//$a是上面得到的一些a標籤 $url = new DOMXPath($dom); $hrefs = $url->evaluate('//a'); for ($i = 0; $i < $hrefs->length; $i++) {  $href = $hrefs->item($i);  $url = $href->getAttribute('href'); //這裡擷取a標籤的href屬性 }

當然，這隻是一種方式，你也可以通過Regex匹配你想要的資訊，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，把介面寫好，然後前端用js擷取資料，用jquery動態新增內容顯示出來：

var website_url = '你的介面地址';$.getJSON(website_url,function(data){ if(data){  if(data.text == ''){   $('#article_url').html('<p><p>暫無該文章連結</p></p>');   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 += '<p 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>' +       '</p>';     }    }   }  $('#article_url').html(string);});

上最終：