PHP代码实现爬虫记录

1. 爬虫是什么

爬虫是一种程序,它可以自动地浏览网络并提取数据。通常地,爬虫用于像搜索引擎索引网站、价格比较网站、新闻聚合等服务。当用户在搜索引擎中输入关键字时,搜索引擎会利用爬虫在网上找到与关键字相关的网页并返回给用户。

2. PHP爬虫的工作原理

PHP爬虫的工作原理如下:

2.1. 发送HTTP请求并获取HTML数据

PHP爬虫使用cURL库向指定URL发送HTTP GET请求。GET请求返回的数据通常是HTML文档。cURL库提供了基于libcurl的API,它可以让PHP程序直接从Web服务器上获取数据,例如HTTP、FTP等。

$url = 'https://www.example.com';

$ch = curl_init($url);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);

$html = curl_exec($ch);

curl_close($ch);

2.2. 解析HTML数据并提取需要的信息

PHP爬虫使用PHP内置的DOMDocument类对HTML文档进行解析。可以通过DOMDocument类提供的方法,如getElementsByTagName和getAttribute获取需要的信息。

$doc = new DOMDocument();

@$doc->loadHTML($html);

$links = $doc->getElementsByTagName('a');

foreach($links as $link) {

$href = $link->getAttribute('href');

echo $href;

}

2.3. 存储提取的信息

PHP爬虫提取的信息可以存储到数据库中,文件中,或者内存中等方式,以便后续使用。最常见的方式是存储到数据库中,可以使用PDO或mysqli库。

$db = new PDO('mysql:host=localhost;dbname=test', 'username', 'password');

$stmt = $db->prepare("INSERT INTO links (url) VALUES (:url)");

foreach($links as $link) {

$url = $link->getAttribute('href');

$stmt->bindParam(':url', $url);

$stmt->execute();

}

3. 实现一个简单的PHP爬虫

下面是一个简单的PHP爬虫示例:

class Spider {

private $url;

private $content;

public function __construct($url) {

$this->url = $url;

$this->fetch();

}

private function fetch() {

$ch = curl_init($this->url);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);

$this->content = curl_exec($ch);

curl_close($ch);

}

public function parse() {

$doc = new DOMDocument();

@$doc->loadHTML($this->content);

$links = array();

$elements = $doc->getElementsByTagName('a');

foreach($elements as $element) {

$href = $element->getAttribute('href');

if(!empty($href)) {

$links[] = $href;

}

}

return $links;

}

public function store($links) {

$db = new PDO('mysql:host=localhost;dbname=test', 'username', 'password');

$stmt = $db->prepare("INSERT INTO links (url) VALUES (:url)");

foreach($links as $link) {

$stmt->bindParam(':url', $link);

$stmt->execute();

}

}

}

$url = 'https://www.example.com';

$spider = new Spider($url);

$links = $spider->parse();

$spider->store($links);

上述示例中,Spider类具有fetch、parse和store等三个方法。fetch方法用于从指定的URL获取HTML内容,parse方法用于解析HTML数据并提取其中Tag为a的超链接信息,store方法用于存储提取的信息到数据库中。

免责声明:本文来自互联网,本站所有信息(包括但不限于文字、视频、音频、数据及图表),不保证该信息的准确性、真实性、完整性、有效性、及时性、原创性等,版权归属于原作者,如无意侵犯媒体或个人知识产权,请来电或致函告之,本站将在第一时间处理。猿码集站发布此文目的在于促进信息交流,此文观点与本站立场无关,不承担任何责任。

后端开发标签