PHP实现采集抓取淘宝网单个商品信息

首页

后端开发

php教程

PHP实现采集抓取淘宝网单个商品信息_PHP

WBOYWBOYWBOYWBOYWBOYWBOYWBOYWBOYWBOYWBOYWBOYWBOYWB

May 31, 2016 pm 01:18 PM

php抓取采集

调用淘宝的数据可以使用淘宝提供的api，如果只需调用淘宝商品图片名称等公开信息在自己网站上，使用php中的 file_get_contents 函数实现即可。

思路：

file_get_contents(url) 该函数根据 url 如 http://www.baidu.com 将该网页内容（源码）以字符串形式输出（一个整字符串），然后配合preg_match，preg_replace等这些正则表达式操作就可以实现获取该url特定div，img等信息了。当然前题是淘宝在单个商品页面的结构是固定的，如500图的img中id就是J_ImgBooth！

具体实现方法：（获取500图，名称，价格，属性及商品描述）

代码如下:

$text=file_get_contents("http://item.taobao.com/item.htm?id=2380347279"); //将url地址上页面内容保存进$text

A.获取500图：

代码如下:

preg_match('/ PHP实现采集抓取淘宝网单个商品信息_PHP ]*id="J_ImgBooth"[^r]*rc=\"([^"]*)\"[^>]*>/', $text, $img);
//运用正则抓取img标签中id为J_ImgBooth的img，$img[0]为该500图img标签，$img[1]为500图的图片地址；

B. 获取名称：

代码如下:

preg_match('/

([^]*)/', $text, $title); <br> //因为正文中的商品名称标签没有特殊class或id正则不好抓取，就抓<title>标签中的内容了，一般来说title中内容就是商品名称了（实际有些出入），$title[0]整个title标签 $title[1]标签中内容；<br> $title=iconv('GBK','UTF-8',$title);<br> //如果你的网站是utf8编码，那么需要进行一下转码（淘宝是gbk编码）<br> <p><strong>C.获取价格：</strong></p> <p></p> <p class="codetitle"> 代码如下:</p> <p class="codebody" id="code85999"><br> preg_match('/]*>([^/is', $text, $price);<br> //同理获取id为J_StrPrice的标签内容$price[2], $price[0]是整个标签， $price[1]为strong标签名；<br> $price=floatval($price);//放入数据库估计还有转一下变量类型<br> </p> <p><strong>D.获取属性：</strong></p> <p>这之前获取的内容都是在单标签中相对只需一个正则就可搞定，然而如果要获取如</p> <p></p> <p class="codetitle"> 代码如下:</p> <p class="codebody" id="code67436"><br> …<br> <br> </p> <div id="”xxx”"> <br> <br> …<br> <br> <ul> <br> <br> …<br> <br> </ul> <br> <br> <div>…<br> <br> <div>…<br> <br> </div> <br> <br> </div> <br> <br> </div> <br> <br> …<br> <p>这样特定div中有未知n个标签，获取该特定div将会非常的困难，搜了下网上，最接近的也只是”/]*>([^]|(?R))*/”这样使用递归抓取标签对，但是他不能抓特定标签，所以想要轻松抓取class=”attributes”的div我是没法办到了。但是淘宝网页有其特殊性，就是它的各个标签结构基本是固定的…</p> <div>…</div>标签后面不是<div id="”description”">就是</div> <div>，所以我们可以采用变通法达到获取属性标签内容的目的。 <p></p> <p class="codetitle"> 代码如下:</p> <p class="codebody" id="code49683"><br> preg_match('/]*>.*/is', $text, $text0);<br> //这个正则会抓取</p> <div>标签，当然我们属性标签就在这个的前面部分。<br> <br> $text1=preg_replace("/[^]*>.*/is","",$text0);<br> //匹配到</div> <div id="”description”">至最后</div>然后用””代替（就是把匹配的删除了），所以如果attributes的div后面紧跟的是description那么我们已经达到目的了。<br> <br> $attributes=preg_replace("/[^]*>.*/is","",$text1);<br> //如果attributes后面紧跟box J_Tbox标签，那么我们还需要使用以上这步来剔除box J_Tbox标签，当然如果attributes的div后面紧跟的是description，这一步将不会匹配到任何即什么都不会做。<br> <p><strong>E.获取描述：</strong></p> <p>通过上面方法你肯定觉得淘宝页面上任何标签都可以很简单获取了吧（我之前也是这么想的），但是使用这个方法获取描述时得到的内容将会是“描述加载中”，是的，这个描述内容不是在源码中的，它是打开页面加载进一大堆js后，不知道从淘宝的哪个角落中加载进来的。</p> <p>好吧，那么我们也可以模仿它放一些js进去。不知道哪些对加载描述有用？没事，全加载进来肯定没错。不知道需要放那些特定div上去有作用？抓一个源码，删掉一些div一步步试试看，你会发现“</p> <div id="”detail”"> </div> <p></p> <p class="codetitle"> 代码如下:</p> <p class="codebody" id="code76386"><br> </p> <div id="description"> <br> <br> <div id="J_DivItemDesc">描述加载中</div> <br> <br> </div> <br> <p>这几个div是加载描述所必须的，那么下面就是写代码了：</p> <p></p> <p class="codetitle"> 代码如下:</p> <p class="codebody" id="code96276"><br> preg_match_all('/<script>]*>[^<]*<\/script>/is', $text, $content);//页面js脚本<br /> $content=$content[0];<br /> $description='<div id="detail"> </script></p> </div> <br> <div id="description"> <br> <div id="J_DivItemDesc">描述加载中</div> <br> </div>';<br> foreach ($content as &$v){$description.=iconv('GBK','UTF-8',$v);};<br> //将这个$description放进页面，描述就会自动的加载进来了，当然多个商品描述在同一个页面也会只有一个描述会被加载的。<br>

声明

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn

使用数据库存储会话的优点是什么？Apr 24, 2025 am 12:16 AM

使用数据库存储会话的主要优势包括持久性、可扩展性和安全性。1.持久性：即使服务器重启，会话数据也能保持不变。2.可扩展性：适用于分布式系统，确保会话数据在多服务器间同步。3.安全性：数据库提供加密存储，保护敏感信息。

您如何在PHP中实现自定义会话处理？Apr 24, 2025 am 12:16 AM

在PHP中实现自定义会话处理可以通过实现SessionHandlerInterface接口来完成。具体步骤包括：1)创建实现SessionHandlerInterface的类，如CustomSessionHandler；2)重写接口中的方法（如open,close,read,write,destroy,gc）来定义会话数据的生命周期和存储方式；3)在PHP脚本中注册自定义会话处理器并启动会话。这样可以将数据存储在MySQL、Redis等介质中，提升性能、安全性和可扩展性。

什么是会话ID？Apr 24, 2025 am 12:13 AM

SessionID是网络应用程序中用来跟踪用户会话状态的机制。1.它是一个随机生成的字符串，用于在用户与服务器之间的多次交互中保持用户的身份信息。2.服务器生成并通过cookie或URL参数发送给客户端，帮助在用户的多次请求中识别和关联这些请求。3.生成通常使用随机算法保证唯一性和不可预测性。4.在实际开发中，可以使用内存数据库如Redis来存储session数据，提升性能和安全性。

您如何在无状态环境（例如API）中处理会议？Apr 24, 2025 am 12:12 AM

在无状态环境如API中管理会话可以通过使用JWT或cookies来实现。1.JWT适合无状态和可扩展性，但大数据时体积大。2.Cookies更传统且易实现，但需谨慎配置以确保安全性。

您如何防止与会议有关的跨站点脚本（XSS）攻击？Apr 23, 2025 am 12:16 AM

要保护应用免受与会话相关的XSS攻击，需采取以下措施：1.设置HttpOnly和Secure标志保护会话cookie。2.对所有用户输入进行输出编码。3.实施内容安全策略(CSP)限制脚本来源。通过这些策略，可以有效防护会话相关的XSS攻击，确保用户数据安全。

您如何优化PHP会话性能？Apr 23, 2025 am 12:13 AM

优化PHP会话性能的方法包括：1.延迟会话启动，2.使用数据库存储会话，3.压缩会话数据，4.管理会话生命周期，5.实现会话共享。这些策略能显着提升应用在高并发环境下的效率。

什么是session.gc_maxlifetime配置设置？Apr 23, 2025 am 12:10 AM

thesession.gc_maxlifetimesettinginphpdeterminesthelifespanofsessiondata，setInSeconds.1）它'sconfiguredinphp.iniorviaini_set（）.2）abalanceIsiseededeedeedeedeedeedeedto to to avoidperformance andununununununexpectedLogOgouts.3）

您如何在PHP中配置会话名？Apr 23, 2025 am 12:08 AM

在PHP中，可以使用session_name()函数配置会话名称。具体步骤如下：1.使用session_name()函数设置会话名称，例如session_name("my_session")。2.在设置会话名称后，调用session_start()启动会话。配置会话名称可以避免多应用间的会话数据冲突，并增强安全性，但需注意会话名称的唯一性、安全性、长度和设置时机。

See all articles