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站找特定關鍵字的文章，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、去不同網站。那么我們需要一個url輸入框。
2、找特定關鍵字的文章。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果的顯示容器。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
<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">文章標題</label> <input type="text" class="form-control" id="article_title" placeholder="文章標題"> </div> <div class="form-group"> <label for="website_url">網站url</label> <input type="text" class="form-control" id="website_url" placeholder="網站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> |
直接上代碼，然后加上自己的一些樣式調整，界面就完成啦：
那么接下來就是功能的實現了，我用php來寫，首先第一步就是獲取網站的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，傳入網站url就能得到html代碼啦：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
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內容轉為utf8編碼：
|
1
2
3
|
$coding = mb_detect_encoding($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，那么下一步就是要匹配該網頁下的所有a標簽，需要用到正則表達式，經過多次測試，最終得到一個比較靠譜的正則表達式，不管a標簽下結構多復雜，只要是a標簽的都不放過：(最關鍵的一步)
|
1
2
|
$pattern = '|<a[^>]*>(.*)</a>|isu';preg_match_all($pattern, $html, $matches); |
匹配的結果在$matches中，它大概是這樣的一個多維素組：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
array(2) { [0]=> array(*) { [0]=> string(*) "完整的a標簽" . . . } [1]=> array(*) { [0]=> string(*) "與上面下標相對應的a標簽中的內容" }} |
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標簽，然后獲取a標簽相應的屬性，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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
$dom = new domdocument(); @$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 = $href->getattribute('href'); //這里獲取a標簽的href屬性 } |
當然，這只是一種方式，你也可以通過正則表達式匹配你想要的信息，把數據玩出新花樣。
得到并匹配得出你想要的結果，下一步當然就是傳回前端將他們顯示出來啦，把接口寫好，然后前端用js獲取數據，用jquery動態(tài)添加內容顯示出來：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
var website_url = '你的接口地址';$.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 class="item">' + '<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" class="web_url">' + 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容，希望對大家的學習有所幫助。
