PHP+HTML+JavaScript+Css實現(xiàn)簡單爬蟲開發(fā)

2020-03-22 18:12:07

字體：大中小

供稿：網(wǎng)友

開發(fā)一個爬蟲，首先你要知道你的這個爬蟲是要用來做什么的。我是要用來去不同網(wǎng)站找特定關(guān)鍵字的文章，并獲取它的鏈接，以便我快速閱讀。按照個人習慣，我首先要寫一個界面，理清下思路。 1、去不同網(wǎng)站。那么我們需要一個url輸入框。 2、找特定關(guān)鍵字的文章。那么我們需要一個文章標題輸入框。 3、獲取文章鏈接。那么我們需要一個搜索結(jié)果的顯示容器。 div id="mainJumbotron" div div 文章URL抓取 /div div div label for="article_title" 文章標題 /label input type="text" id="article_title" placeholder="文章標題" /div div label for="website_url" 網(wǎng)站URL /label input type="text" id="website_url" placeholder="網(wǎng)站URL" /div button type="submit" 抓取 /button /div /div div div 文章URL /div div h3 /h3 /div /div /div 直接上代碼，然后加上自己的一些樣式調(diào)整，界面就完成啦：那么接下來就是功能的實現(xiàn)了，我用PHP來寫，首先第一步就是獲取網(wǎng)站的html代碼，獲取html代碼的方式也有很多，我就不一一介紹了，這里用了curl來獲取，傳入網(wǎng)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 $html;雖然得到了html代碼，但是很快你會遇到一個問題，那就是編碼問題，這可能讓你下一步的匹配無功而返，我們這里統(tǒng)一把得到的html內(nèi)容轉(zhuǎn)為utf8編碼：$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(wǎng)站的html，要獲取文章的url，那么下一步就是要匹配該網(wǎng)頁下的所有a標簽，需要用到正則表達式，經(jīng)過多次測試，最終得到一個比較靠譜的正則表達式，不管a標簽下結(jié)構(gòu)多復(fù)雜，只要是a標簽的都不放過：(最關(guān)鍵的一步)$pattern = '| a[^ ]* (.*) /a |isU';preg_match_all($pattern, $html, $matches);匹配的結(jié)果在$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標簽" [1]= array(*) { [0]= string(*) "與上面下標相對應(yīng)的a標簽中的內(nèi)容"只要能得到這個數(shù)據(jù)，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標簽，然后獲取a標簽相應(yīng)的屬性，想怎么操作就怎么操作啦，下面推薦一個類，讓你更方便操作a標簽：$dom = new DOMDocument();@$dom- loadHTML($a);//$a是上面得到的一些a標簽$url = new DOMXPath($dom);$hrefs = $url- evaluate('//a');for ($i = 0; $i $hrefs- length; $i++) { $href = $hrefs- item($i); $url = $href- getAttribute('href'); //這里獲取a標簽的href屬性當然，這只是一種方式，你也可以通過正則表達式匹配你想要的信息，把數(shù)據(jù)玩出新花樣。得到并匹配得出你想要的結(jié)果，下一步當然就是傳回前端將他們顯示出來啦，把接口寫好，然后前端用js獲取數(shù)據(jù)，用jquery動態(tài)添加內(nèi)容顯示出來：var website_url = '你的接口地址';$.getJSON(website_url,function(data){ if(data){ if(data.text == ''){ $('#article_url').html(' div p 暫無該文章鏈接 /p /div return; var string = ''; var list = data.text; for (var j in list) { var content = list[j].url_content; for (var i in content) { if (content[i].title != '') { string += ' div ' + ' em [ a href="http://' + list[j].website.web_url + '" target="_blank" ' + list[j].website.web_name + ' /a ] /em ' + ' a href=" ' + content[i].url + '" target="_blank" ' + content[i].title + ' /a ' + ' /div $('#article_url').html(string);上最終效果圖：以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助。PHP教程

鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯(lián)系我們修改或刪除，多謝。

上一篇：使用css如何讓背景圖片拉伸填充避免重復(fù)顯示

下一篇：如何使用CSS3制作炫酷帶方向感應(yīng)的鼠標滑過圖片3D動畫