ホームページ >バックエンド開発 >PHPチュートリアル >PHP を使用して簡単なクローラーを開発する方法

PHP を使用して簡単なクローラーを開発する方法

零到壹度
零到壹度オリジナル
2018-03-27 10:52:536830ブラウズ

仕事や自分自身のニーズにより、必要なデータを取得するためにさまざまな Web サイトを閲覧することがあります。そこでクローラーが誕生します。以下は、単純なクローラーの開発プロセスと遭遇する問題です。 クローラーを開発するには、まずクローラーが何に使用されるかを知る必要があります。これを使用して、さまざまな Web サイトで特定のキーワードを含む記事を検索し、そのリンクを取得して、すぐに読めるようにしたいと考えています。

個人的な習慣によれば、最初にインターフェイスを作成して自分のアイデアを明確にする必要があります。

1. 別の Web サイトにアクセスします。次に、URL 入力ボックスが必要です。

2. 特定のキーワードを含む記事を検索します。次に、記事タイトルの入力ボックスが必要です。

3. 記事のリンクを取得します。次に、検索結果を表示するコンテナが必要になります。

[xhtml] view plain copy
<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">文章标题</label>  
    <input type="text" class="form-control" id="article_title" placeholder="文章标题">  
   </p>  
   <p class="form-group">  
    <label for="website_url">网站URL</label>  
    <input type="text" class="form-control" id="website_url" placeholder="网站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>

コードに直接移動し、独自のスタイル調整を追加すると、インターフェイスが完成します。

次に、PHP を使用して関数を実装します。ステップは Web サイトの HTML コードを取得することです。HTML コードを取得するにはさまざまな方法がありますが、ここでは 1 つずつ紹介しません。Web サイトの URL を渡すことで HTML コードを取得できます。

[xhtml] view plain copy
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, &#39;gzip&#39;);  
   
 curl_setopt($ch, CURLOPT_USERAGENT, &#39;Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.131 Safari/537.36&#39;);  
   
 curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);  
   
 $html = curl_exec($ch);  
   
 return $html;  
   
}

HTML コードを取得できますが、すぐに問題が発生します。つまり、エンコードの問題が発生し、次のマッチングのステップが無駄になる可能性があります。ここでは、取得した HTML コンテンツを utf8 に一律に変換します。エンコーディング:

[php] view plain copy
$coding = mb_detect_encoding($html);  
if ($coding != "UTF-8" || !mb_check_encoding($html, "UTF-8"))  
$html = mb_convert_encoding($html, &#39;utf-8&#39;, &#39;GBK,UTF-8,ASCII&#39;);

Web サイトの HTML を取得するには、記事の URL を取得する必要があります。次に、Web ページの下にあるすべての a タグを照合する必要があります。これには、多くのテストを行った後、正規表現を使用する必要があります。 a タグの下の構造がどんなに複雑であっても、それが a タグである限り、最終的により信頼性の高い正規表現が得られました。 (最も重要なステップ)

[php] view plain copy
$pattern = &#39;|<a[^>]*>(.*)</a>|isU&#39;;  
preg_match_all($pattern, $html, $matches);

マッチング結果は次のとおりです。 $matches では、これはおそらく次のような多次元グループです;

[js] view plain copy
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"  
 }  
}

このデータを取得できる限り、他のすべては完全に操作可能です。この要素グループを走査し、必要なタグを見つけて、 a タグの対応する属性を取得します。任意に操作できます。 a タグの操作を容易にするために推奨されるクラスを次に示します。

[php] view plain copy
$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(&#39;//a&#39;);  
   
for ($i = 0; $i < $hrefs->length; $i++) {  
   
 $href = $hrefs->item($i);  
   
 $url = $href->getAttribute(&#39;href&#39;); //这里获取a标签的href属性  
   
}

もちろん、これは単なる一例です。正規表現を使用して必要な情報を照合したり、データを使って新しいトリックを実行したりすることもできます。

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] view plain copy
var website_url = &#39;你的接口地址&#39;;  
$.getJSON(website_url,function(data){  
 if(data){  
  if(data.text == &#39;&#39;){  
   $(&#39;#article_url&#39;).html(&#39;<p><p>暂无该文章链接</p></p>&#39;);  
   return;  
  }  
  var string = &#39;&#39;;  
  var list = data.text;  
  for (var j in list) {  
    var content = list[j].url_content;  
    for (var i in content) {  
     if (content[i].title != &#39;&#39;) {  
      string += &#39;<p class="item">&#39; +  
       &#39;<em>[<a href="http://&#39; + list[j].website.web_url + &#39;" target="_blank">&#39; + list[j].website.web_name + &#39;</a>]</em>&#39; +  
       &#39;<a href=" &#39; + content[i].url + &#39;" target="_blank" class="web_url">&#39; + content[i].title + &#39;</a>&#39; +  
       &#39;</p>&#39;;  
     }  
    }  
   }  
  $(&#39;#article_url&#39;).html(string);  
});

上最终效果图:

以上がPHP を使用して簡単なクローラーを開発する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

声明:
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。