利用PHP抓取百度閱讀的方法範例

前言

這篇文章主要介紹的是，如何利用PHP抓取百度閱讀的方法，下面話不多說，來一起看看吧。

抓取方法如下

首先在瀏覽器裡開啟閱讀頁面，檢視原始碼後發現小說的內容並不是直接寫在頁面裡的，也就是說小說的內容是透過非同步載入而來的。

於是將chrome的開發者工具切到network一欄，​​刷新閱讀頁面，主要關注的是XHR和script兩個分類下。

經過排查，發現在script分類下有個jsonp請求比較像是小說內容，請求的位址是
http://www.php.cn/
回傳的是一個

jsonp

字串，然後我發現，如果把地址裡面的

callback=wenku7

去掉，回傳的就是一個

json

字串，這樣解析起來就方便不少，可以直接在php裡面轉換成陣列。

再來分析傳回資料的結構，傳回的

json

字串之後是一個樹狀的結構，每個節點都有一個t屬性和c屬性，t屬性用來指明這個節點的標籤，例如h2 p等等，c屬性就是內容了，但也有兩種可能，一個是字串，另一個是數組，數組的每個元素都是節點。

這種結構最好解析了，用一個遞迴就搞定

最終程式碼如下：

##

<?php
class BaiduYuedu {
 protected $bookId;
 protected $bookToken;
 protected $cookie;
 protected $result;
 public function __construct($bookId, $bookToken, $cookie){
  $this->bookId = $bookId;
  $this->bookToken = $bookToken;
  $this->cookie = $cookie;
 }
 public static function parseNode($node){
  $str = &#39;&#39;;
  if(is_string($node[&#39;c&#39;])){
   $str .= $node[&#39;c&#39;];
  }else if(is_array($node[&#39;c&#39;])){
   foreach($node[&#39;c&#39;] as $d){
    $str .= self::parseNode($d);
   }
  }
  switch($node[&#39;t&#39;]){
   case &#39;h2&#39;:
    $str .= "\n\n";
    break;
   case &#39;br&#39;:
   case &#39;p&#39;:
   case &#39;p&#39;:
    $str .= "\n";
    break;
   case &#39;img&#39;:
   case &#39;span&#39;:
    break;
   case &#39;obj&#39;:
    $tmp = &#39;(&#39; . self::parseNode($node[&#39;data&#39;][0]) . &#39;)&#39;;
    $str .= str_replace("\n", &#39;&#39;, $tmp);
    break;
   default:
    trigger_error(&#39;Unkown type:&#39;.$node[&#39;t&#39;], E_USER_WARNING);
    break;
  }
  return $str;
 }
 public function get($page = 1){
  echo "getting page {$page}...\n";
  $ch = curl_init();
  $url = sprintf(&#39;http://wenku.baidu.com/content/%s/?m=%s&type=json&cn=%d&#39;, $this->bookId, $this->token, $page);
  curl_setopt_array($ch, array(
   CURLOPT_URL   => $url,
   CURLOPT_RETURNTRANSFER => 1,
   CURLOPT_HEADER   => 0,
   CURLOPT_HTTPHEADER  => array(&#39;Cookie: &#39;. $this->cookie)
  ));
  $ret = json_decode(curl_exec($ch), true);
  curl_close($ch);
  $str = &#39;&#39;;
  if(!empty($ret)){
   $str .= self::parseNode($ret);
   $str .= $this->get($page + 1);
  }
  return $str;
 }
 public function start(){
  $this->result = $this->get();
 }
 public function getResult(){
  return $this->result;
 }
 public function saveTo($path){
  if(empty($this->result)){
   trigger_error(&#39;Result is empty&#39;, E_USER_ERROR);
   return;
  }
  file_put_contents($path, $this->result);
  echo "save to {$path}\n";
 }
}
//使用示例
$yuedu = new BaiduYuedu(&#39;49422a3769eae009581becba&#39;, &#39;8ed1dedb240b11bf0731336eff95093f&#39;, &#39;你的百度域cookie&#39;);
$yuedu->start();
$yuedu->saveTo(&#39;result.txt&#39;);

這個類別前兩個參數可以從小說的介紹頁面獲得，第一個參數

bookId

就是

url

裡

ebook

後面跟著的字串，第二個參數

bookToken

在頁面原始碼搜尋

bdjsonUrl

，

m

參數後面的那個字串就是。

註：如果不傳入百度

cookie

或百度

cookie

無效，則只能抓取免費閱讀部分，要抓完整的內容必須保證

cookie

可以正常使用。

總結

 以上就是利用PHP抓取百度閱讀的方法範例的內容，更多相關內容請關注PHP中文網（www .php.cn）！