PHP+HTML+JavaScript+Css实现简单爬虫开发
前端之家收集整理的这篇文章主要介绍了
PHP+HTML+JavaScript+Css实现简单爬虫开发,
前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。
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="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-heading">
文章URL
<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:
PHP;">
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:
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)
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:
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:
内容,希望对大家的学习有所帮助。