一個簡單爬蟲的開發

    發展一個爬蟲，首先你要知道你的這個爬蟲是要用來做什麼的。我是要用來去不同網站找特定關鍵字的文章，並獲取它的鏈接，以便我快速閱讀。

    依照個人習慣，我首先要寫一個介面，並釐清下思路。

    1、去不同網站。那我們需要一個url輸入框。

    2、找特定關鍵字的文章。那我們就需要一個文章標題輸入框。

    3、取得文章連結。那我們需要一個搜尋結果的顯示容器。

<div class="jumbotron" id="mainJumbotron">
    <div class="panel panel-default">

        <div class="panel-heading">文章URL抓取</div>

        <div class="panel-body">
            <div 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">
            </div>
            <div class="form-group">
                <label for="website_url">网站URL</label>
                <input type="text" class="form-control" id="website_url" placeholder="网站URL">
            </div>

            <button type="submit" class="btn btn-default">抓取</button>
        </div>
    </div>
    <div class="panel panel-default">

        <div class="panel-heading">文章URL</div>

        <div class="panel-body">
            <h3></h3>
        </div>
    </div>
</div>

直接上程式碼，然後加上自己的一些樣式調整，介面就完成啦：

那麼接下來就是功能的實現了，我用PHP來寫，首先第一步就是取得網站的html程式碼，取得html程式碼的方式也有很多，我就不一一介紹了，這裡用了curl來獲取，傳入網站url就能得到html代碼啦：

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;

}

雖然得到了html代碼，但是很快你會遇到一個問題，那就是編碼問題，這可能會讓你下一步的匹配無功而返，我們在這裡統一把得到的html內容轉為utf8編碼：

$coding = mb_detect_encoding($html);

if ($coding != "UTF-8" || !mb_check_encoding($html, "UTF-8"))

    $html = mb_convert_encoding($html, 'utf-8', 'GBK,UTF-8,ASCII');

得到網站的html，要獲取文章的url，那麼下一步就是要匹配該網頁下的所有a標籤，需要用到正規表達式，經過多次測試，最終得到一個比較可靠的正則表達式，不管a標籤下結構多複雜，只要是a標籤的都不放過：(最關鍵的一步)

$pattern = &#39;|<a[^>]*>(.*)</a>|isU&#39;;

preg_match_all($pattern, $html, $matches);

匹配的結果在$matches中，它大概是這樣的一個多維素組：

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"    }
}

只要能得到這個數據，其他就完全可以操作啦，你可以遍歷這個素組，找到你想要a標籤，然後獲取a標籤相應的屬性，想怎麼操作就怎麼操作啦，下面推荐一個類，讓你更方便操作a標籤：

$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(&#39;href&#39;); //这里获取a标签的href属性

}

當然，這只是一種方式，你也可以透過正規表示式來搭配你想要的訊息，把資料玩出新花樣。

得到並匹配得出你想要的結果，下一步當然就是傳回前端將他們顯示出來啦，把接口寫好，然後前端用js獲取數據，用jquery動態添加內容顯示出來：

var website_url = '你的接口地址';
$.getJSON(website_url,function(data){
    if(data){
        if(data.text == ''){
            $(&#39;#article_url&#39;).html(&#39;<div><p>暂无该文章链接</p></div>&#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;<div 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;</div>&#39;;
                    }
                }
            }
        $(&#39;#article_url&#39;).html(string);
});

上最終效果圖：