php的curl怎么爬取網(wǎng)頁內(nèi)容

創(chuàng)建一個新cURL資源

10年積累的成都做網(wǎng)站、網(wǎng)站設(shè)計、外貿(mào)營銷網(wǎng)站建設(shè)經(jīng)驗，可以快速應(yīng)對客戶對網(wǎng)站的新想法和需求。提供各種問題對應(yīng)的解決方案。讓選擇我們的客戶得到更好、更有力的網(wǎng)絡(luò)服務(wù)。我雖然不認(rèn)識你，你也不認(rèn)識我。但先網(wǎng)站設(shè)計后付款的網(wǎng)站建設(shè)流程，更有朗縣免費網(wǎng)站建設(shè)讓你可以放心的選擇與我們合作。

設(shè)置URL和相應(yīng)的選項

抓取URL并把它傳遞給瀏覽器

關(guān)閉cURL資源，并且釋放系統(tǒng)資源

代碼案例：

如何用php 編寫網(wǎng)絡(luò)爬蟲?

pcntl_fork或者swoole_process實現(xiàn)多進(jìn)程并發(fā)。按照每個網(wǎng)頁抓取耗時500ms，開200個進(jìn)程，可以實現(xiàn)每秒400個頁面的抓取。

curl實現(xiàn)頁面抓取，設(shè)置cookie可以實現(xiàn)模擬登錄

simple_html_dom 實現(xiàn)頁面的解析和DOM處理

如果想要模擬瀏覽器，可以使用casperJS。用swoole擴(kuò)展封裝一個服務(wù)接口給PHP層調(diào)用

在這里有一套爬蟲系統(tǒng)就是基于上述技術(shù)方案實現(xiàn)的，每天會抓取幾千萬個頁面。

php中curl爬蟲 怎么樣通過網(wǎng)頁獲取所有鏈接

本文承接上面兩篇，本篇中的示例要調(diào)用到前兩篇中的函數(shù)，做一個簡單的URL采集。一般php采集網(wǎng)絡(luò)數(shù)據(jù)會用file_get_contents、file和cURL。不過據(jù)說cURL會比file_get_contents、file更快更專業(yè)，更適合采集。今天就試試用cURL來獲取網(wǎng)頁上的所有鏈接。示例如下：

?php

/*

* 使用curl 采集hao123.com下的所有鏈接。

*/

include_once('function.php');

$ch = curl_init();

curl_setopt($ch, CURLOPT_URL, '');

// 只需返回HTTP header

curl_setopt($ch, CURLOPT_HEADER, 1);

// 頁面內(nèi)容我們并不需要

// curl_setopt($ch, CURLOPT_NOBODY, 1);

// 返回結(jié)果，而不是輸出它

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

$html = curl_exec($ch);

$info = curl_getinfo($ch);

if ($html === false) {

echo "cURL Error: " . curl_error($ch);

}

curl_close($ch);

$linkarr = _striplinks($html);

// 主機(jī)部分，補(bǔ)全用

$host = '';

if (is_array($linkarr)) {

foreach ($linkarr as $k = $v) {

$linkresult[$k] = _expandlinks($v, $host);

}

}

printf("p此頁面的所有鏈接為：/ppre%s/pren", var_export($linkresult , true));

?

function.php內(nèi)容如下（即為上兩篇中兩個函數(shù)的合集）：

?php

function _striplinks($document) {

preg_match_all("'s*as.*?hrefs*=s*(["'])?(?(1) (.*?)\1 | ([^s]+))'isx", $document, $links);

// catenate the non-empty matches from the conditional subpattern

while (list($key, $val) = each($links[2])) {

if (!empty($val))

$match[] = $val;

} while (list($key, $val) = each($links[3])) {

if (!empty($val))

$match[] = $val;

}

// return the links

return $match;

}

/*===================================================================*

Function: _expandlinks

Purpose: expand each link into a fully qualified URL

Input: $links the links to qualify

$URI the full URI to get the base from

Output: $expandedLinks the expanded links

*===================================================================*/

function _expandlinks($links,$URI)

{

$URI_PARTS = parse_url($URI);

$host = $URI_PARTS["host"];

preg_match("/^[^?]+/",$URI,$match);

$match = preg_replace("|/[^/.]+.[^/.]+$|","",$match[0]);

$match = preg_replace("|/$|","",$match);

$match_part = parse_url($match);

$match_root =

$match_part["scheme"]."://".$match_part["host"];

$search = array( "|^http://".preg_quote($host)."|i",

"|^(/)|i",

"|^(?!http://)(?!mailto:)|i",

"|/./|",

"|/[^/]+/../|"

);

$replace = array( "",

$match_root."/",

$match."/",

"/",

"/"

);

$expandedLinks = preg_replace($search,$replace,$links);

return $expandedLinks;

}

?

如何入門 php 爬蟲

從爬蟲基本要求來看：

抓?。鹤ト∽罨揪褪抢W(wǎng)頁回來，所以第一步就是拉網(wǎng)頁回來，慢慢會發(fā)現(xiàn)各種問題待優(yōu)化；

存儲：抓回來一般會用一定策略存下來，可以選擇存文件系統(tǒng)開始，然后以一定規(guī)則命名。

分析：對網(wǎng)頁進(jìn)行文本分析，可以用認(rèn)為最快最優(yōu)的辦法，比如正則表達(dá)式；

展示：要是做了一堆事情，一點展示輸出都沒有，如何展現(xiàn)價值。

求一個簡易的php爬蟲提取網(wǎng)頁的title

header("Content-Type: text/html; charset=gbk");

$url = "";

$fcontents = file_get_contents($url);

if (ereg("title(.*)/title", $fcontents, $regs)){echo "ok";}else{echo "error";}

echo "br";

print_r($regs);

如何用PHP做網(wǎng)絡(luò)爬蟲

其實用PHP來爬會非常方便，主要是PHP的正則表達(dá)式功能在搜集頁面連接方面很方便，另外PHP的fopen、file_get_contents以及l(fā)ibcur的函數(shù)非常方便的下載網(wǎng)頁內(nèi)容。

具體處理方式就是建立就一個任務(wù)隊列，往隊列里面插入一些種子任務(wù)和可以開始爬行，爬行的過程就是循環(huán)的從隊列里面提取一個URL，打開后獲取連接插入隊列中，進(jìn)行相關(guān)的保存。隊列可以使用數(shù)組實現(xiàn)。

當(dāng)然PHP作為但線程的東西，慢慢爬還是可以，怕的就是有的URL打不開，會死在那里。

網(wǎng)站欄目：php爬蟲獲取網(wǎng)頁數(shù)據(jù)庫,python爬蟲獲取網(wǎng)頁數(shù)據(jù)
標(biāo)題來源：http://sd-ha.com/article26/dsihccg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供定制網(wǎng)站、響應(yīng)式網(wǎng)站、軟件開發(fā)、微信公眾號、網(wǎng)站設(shè)計、建站公司

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)