说到爬虫,大家的第一印象就会想到Python, 但是Python并不是所有人都会的, 那么是否可以使用其他的语言来编写爬虫呢? 当然是可以的,下面介绍一下如何使用php编写爬虫。

获取页面html内容

1、使用函数 file_get_contents 把整个文件读入一个字符串中。

file_get_contents(path,include_path,context,start,max_length);
file_get_contents('https://fengkui.net/');

这样就可以将整个页面的html内容,读入一个字符串中,然后进行解析了

2、使用CURL进行请求,获取html

/**
* [curlHtml 获取页面信息]
* @param  [type] $url [网址]
* @return [type]      [description]
*/
function curlHtml($url)
{
$curl = curl_init();
curl_setopt_array($curl, array(
CURLOPT_URL            => "{$url}",
CURLOPT_RETURNTRANSFER => true,
CURLOPT_ENCODING       => "",
CURLOPT_MAXREDIRS      => 10,
CURLOPT_TIMEOUT        => 30,
CURLOPT_HTTP_VERSION   => CURL_HTTP_VERSION_1_1,
CURLOPT_CUSTOMREQUEST  => "GET",
CURLOPT_HTTPHEADER     => array(
"Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
"Accept-Encoding: gzip, deflate, br",
"Accept-Language: zh-CN,zh;q=0.9",
"Cache-Control: no-cache",
"Connection: keep-alive",
"Pragma: no-cache",
"Upgrade-Insecure-Requests: 1",
"User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36",
"cache-control: no-cache"
),
));
curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);
curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);
$response = curl_exec($curl);
$err = curl_error($curl);
curl_close($curl);
if ($err) return false;
else return $response;
}

使用Curl我们可以来进行其他操作,如模拟浏览器模拟登陆等一些高级操作。

解析页面HTML,获取所需数据

1、正则获取内容

/**
* [get_tag_data 使用正则获取html内容]
* @param  [type] $html  [爬取的页面内容]
* @param  [type] $tag   [要查找的标签]
* @param  [type] $attr  [要查找的属性名]
* @param  [type] $value [属性名对应的值]
* @return [type]        [description]
*/
function get_tag_data($html,$tag,$attr,$value){
$regex = "/<$tag.*?$attr=\".*?$value.*?\".*?>(.*?)<\/$tag>/is";
preg_match_all($regex,$html,$matches,PREG_PATTERN_ORDER);
$data = isset($matches[1][0]) ? $matches[1][0] : '';
return $data;
}
$str = '<div class="feng">冯奎博客</div>';
$value = get_tag_data($str, 'div', 'class', 'feng');

2、使用Xpath解析数据

XPath即为XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言。 具体使用方法及相关介绍查看百度百科(XPath) 使用方法:

/**
* [get_html_data 使用xpath对获取到的html内容进行处理]
* @param  [type]  $html [爬取的页面内容]
* @param  [type]  $path [Xpath语句]
* @param  integer $tag  [类型 0内容 1标签内容 自定义标签]
* @param  boolean $type [单个 还是多个(默认单个时输出单个)]
* @return [type]        [description]
*/
function get_html_data($html,$path,$tag=1,$type=true)
{
$dom = new \DOMDocument();
@$dom->loadHTML("<?xml encoding='UTF-8'>" . $html); // 从一个字符串加载HTML并设置UTF8编码
$dom->normalize(); // 使该HTML规范化
$xpath = new \DOMXPath($dom); //用DOMXpath加载DOM,用于查询
$contents = $xpath->query($path); // 获取所有内容
$data = [];
foreach ($contents as $value) {
if ($tag==1) {
$data[] = $value->nodeValue; // 获取不带标签内容
} elseif ($tag==2) {
$data[] = $dom->saveHtml($value);  // 获取带标签内容
} else {
$data[] = $value->attributes->getNamedItem($tag)->nodeValue; // 获取attr内容
}
}
if (count($data)==1) {
$data = $data[0];
}
return $data;
}

推荐学习:《PHP视频教程》

以上就是一文详解使用PHP编写爬虫的方法的详细内容,更多请关注811轩轩资源网其它相关文章!

声明:本文转载于:fengkui.net,如有侵犯,请联系admin@php.cn删除

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注