PHP は Baidu の検索結果のクロールを実装し、データ構造を分析します

#推奨: 「

PHP ビデオ チュートリアル 」

PHP Web クローラーの実践: Baidu の検索結果をクロールし、データ構造を分析する

Baidu の検索エンジンにはクローラー対策機能があるので、まずは guzzle で直接試してみます。コードは次のとおりです:

<?php
/**
 * Created by Benjiemin
 * Date: 2020/3/5
 * Time: 14:58
 */
require (&#39;./vendor/autoload.php&#39;);
use QL\QueryList;
//进入网页
$jar = new \GuzzleHttp\Cookie\CookieJar;
$client = new GuzzleHttp\Client([&#39;cookies&#39; => true]);
$ql = $client->request(&#39;GET&#39;, &#39;https://www.baidu.com&#39;, [
    &#39;cookies&#39; => $jar
]);
if($ql->getStatusCode()!=200){
    echo &#39;网站状态不正常&#39;;die;
}
echo  $ql->getBody();

Baidu が直接インターセプトしてジャンプ ページに入りました。ブラウザのヘッダー ファイルを追加して再試行してみます。

変更されたヘッダーは次のとおりです:

$ql = $client->request('GET', 'https://www.baidu.com', [
    'cookies' => $jar,
    'headers' => [
    'Accept-Encoding' => 'gzip, deflate, br',
    'Accept'     => 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Language'      => 'zh-CN,zh;q=0.9,en;q=0.8',
    'Cache-Control'      => 'no-cache',
    'Connection'      => 'keep-alive',
    'User-Agent'      => 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
]
]);

テストしたところ、Web サイトが開きました。

続けて、キーワードを入力して検索してみると、セキュリティによって傍受されていたので、GuzzleHttp では直接実行できないような気がしたので、続行しました私のアーティファクト: jaeger /querylist と jaeger/querylist-puppeteer を使用します。

インストール手順:

1. 依存関係をインストールします

この前に、php の proc_open 関数を有効にする必要があります。そうしないと、完全なインストールを実行できません

composer install jaeger/querylist
composer install jaeger/querylist-puppeteer

2. nodejs をインストールします

yum install nodejs

3. npm をインストールします

4. @nesk/puphpeteer をインストールします

npm install @nesk/puphpeteer

5.PHP は proc_open

を有効にしますコードは次のとおりです次のように:

<?php
/**
 * Created by Benjiemin
 * Date: 2020/3/5
 * Time: 14:58
 */
require (&#39;./vendor/autoload.php&#39;);
use QL\QueryList;
use QL\Ext\Chrome;
$ql = QueryList::getInstance();
// 注册插件，默认注册的方法名为: chrome
$ql->use(Chrome::class);
 $ql->chrome(function ($page,$browser) {
    $page->goto(&#39;https://www.baidu.com&#39;);
    // 这里故意设置一个很长的延长时间，让你可以看到chrome浏览器的启动
    sleep(3);
    //输入关键词
    $wd = &#39;简庆旺博客&#39;;
    $page->type("input[id=&#39;kw&#39;]",$wd);
    sleep(1);
    //点击搜索
    $page->click("input[type=&#39;submit&#39;]");
    //等待搜索结果
    sleep(3);
    //获取结果
    $html = $page->content();
    //用jquery选择器抽取结果
    $rules = array(
        &#39;title&#39;=>[&#39;#content_left h3 a&#39;,&#39;text&#39;],//标题
        &#39;url&#39;=>[&#39;#content_left h3 a&#39;,&#39;href&#39;],//跳转网址
        &#39;description&#39;=>[&#39;div .c-abstract&#39;,&#39;text&#39;],//描述
    );
    $ql = QueryList::html($html);
    $rt = $ql->rules($rules)->query()->getData();
    //如果有需要，可以把$rt入库，以及做其他操作
    sleep(10);
    $browser->close();
    // 返回值一定要是页面的HTML内容
    return $html;
},[
    &#39;headless&#39; => false, // 启动可视化Chrome浏览器,方便调试
    &#39;devtools&#39; => false, // 打开浏览器的开发者工具
])->find(&#39;title&#39;)->text();

$rt は私の結果セットです。次のように出力します。

以上がPHP は Baidu の検索結果のクロールを実装し、データ構造を分析しますの詳細内容です。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。