使用php实现简单爬虫(一种通用的爬虫思想)

使用php实现简单爬虫(一种通用的爬虫思想)

概述
现在爬虫技术算是一个普遍的技术了,各个语言的爬虫百家争鸣,但是根据笔者自己的感觉还是python是主流。爬虫涉及到太多的东西,笔者并不是专业的爬虫工程师,只不过个人兴趣分享一下。由于笔者是php工作,所以就使用php来进行简单爬虫。不过我的方法应该是很通用的,我相信java,C#等肯定有类似的函数,然后做法其实都一样了。

技术准备
看懂这段代码你需要对php的正则表达式函数以及正则表达式有一定的理解。

代码

<?php

$str = ‘<div class=”title”>
<h3><span>[小组] </span>&nbsp;<a href=”链接内容1″ target=”_blank”>标签内容1</a></h3>
<div class=”info”>
237059 成员
</div>
</div>
<div class=”title”>
<h3><span>[小组] </span>&nbsp;<a href=”链接内容2″ target=”_blank”>标签内容2</a></h3>
<div class=”info”>
237059 成员
</div>
</div>’;
preg_match_all(‘/<div class=”title”>[\s\S]*?<h3>[\s\S]*?<a href=”(.*?)”[\s\S]*?>(.*?)<\/a>/’,$str,$match);

print_r($match);//根据打印的结果很明白了吧

function getUrlContent($url){//通过url获取html内容

$ch = curl_init();
curl_setopt($ch,CURLOPT_URL,$url);
curl_setopt($ch,CURLOPT_USERAGENT,”Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1 )”);
curl_setopt($ch,CURLOPT_HEADER,1);
curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
$output = curl_exec($ch);
curl_close($ch);
return $output;
}
?>
流程图
1573802916(1)

简单的爬虫,特殊字符处理就不进行了,保证插入数据库不出错就行了

思路
首先getUrlContent($url)函数,只需要穿一个url地址就行了,当然了因为各个网站都有反扒机制,不过笔者的这个函数并不是万能的,但是在豆瓣测试过,其他网站大家自行测试了。
任何网站都可以理解为一个很长的字符串,如果对html有研究无非就是:
<html>
<head>XXX</head>
<body>XXX</body>
</html>

我们需要的只是将body标签里的东西拿出来,笔者模拟了一段body里的代码

<html>
<head>XXX</head>
<body>
<div class=”title”>
<h3><span>[小组] </span>&nbsp;<a href=”链接内容1″ target=”_blank”>标签内容1</a></h3>
<div class=”info”>
237059 成员
</div>
</div>
<div class=”title”>
<h3><span>[小组] </span>&nbsp;<a href=”链接内容2″ target=”_blank”>标签内容2</a></h3>
<div class=”info”>
237059 成员
</div>
</div>
</body>
</html>

对于这段代码,可以理解为一个很长的字符串

$str = ‘<html>
<head>XXX</head>
<body>
<div class=”title”>
<h3><span>[小组] </span>&nbsp;<a href=”链接内容1″ target=”_blank”>标签内容1</a></h3>
<div class=”info”>
237059 成员
</div>
</div>
<div class=”title”>
<h3><span>[小组] </span>&nbsp;<a href=”链接内容2″ target=”_blank”>标签内容2</a></h3>
<div class=”info”>
237059 成员
</div>
</div>
</body>
</html>’;
对这段字符串,只需要进行正则匹配拿出你想要的,假如需要a标签里的href与内容

preg_match_all(‘/<div class=”title”>[\s\S]*?<h3>[\s\S]*?<a href=”(.*?)”[\s\S]*?>(.*?)<\/a>/’,
$str,$match);
然后如果你不认识这段正则表达式还有preg_match_all函数,这里笔者就简单说下了,[\s\S]*?代表懒惰匹配任意字符,因为标签之间会用空格符换行符,这里又出现新问题什么叫懒惰匹配,简单来说就是匹配最少的内容。(.*?)代表非空字符,加括号的原因简单来说就是括号里的内容是你想要的,前面的[\s\S]*?匹配到的是一堆特殊符号,并没有什么作用,你不用把特殊符号记录下来,所以不加括号。

最后打印结果,也就是$match数组。

Array
(
[0] => Array
(
[0] => <div class=”title”>
<h3><span>[小组] </span>&nbsp;<a href=”链接内容1″ target=”_blank”>标签内容1</a>
[1] => <div class=”title”>
<h3><span>[小组] </span>&nbsp;<a href=”链接内容2″ target=”_blank”>标签内容2</a>
)

[1] => Array
(
[0] => 链接内容1
[1] => 链接内容2
)

[2] => Array
(
[0] => 标签内容1
[1] => 标签内容2
)

)

根据这个数组,需要什么自己遍历数组,然后拼装sql语句,插入到自己的数据库中即可。但是插入过程中可能会有一些单引号双引号捣乱,所以你用str_replace()把他们替换掉,或者加转义符号。

总结
只是针对php进行的简单爬虫,不过爬虫的思路我相信很多种语言都用得到。不过很多网站的内容是通过js返回的,或者需要登陆才能获取到数据,这些比较高级的部分,有兴趣的推荐自学python爬虫。

本文来自投稿,不代表微擎百科立场,如若转载,请注明出处:https://www.w7.wiki/develop/2721.html

发表评论

登录后才能评论