首页 > 开发 > CSS > 正文

PHP+HTML+JavaScript+Css实现简单爬虫开发

2020-03-22 18:12:07
字体:
来源:转载
供稿:网友
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 id="mainJumbotron" div div 文章URL抓取 /div div div label for="article_title" 文章标题 /label input type="text" id="article_title" placeholder="文章标题" /div div label for="website_url" 网站URL /label input type="text" id="website_url" placeholder="网站URL" /div button type="submit" 抓取 /button /div /div div div 文章URL /div div 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 ' + ' 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" ' + content[i].title + ' /a ' + ' /div $('#article_url').html(string);上最终效果图:以上就是本文的全部内容,希望对大家的学习有所帮助。PHP教程

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表