如何在PHP中实现Web抓取器？[已关闭]

php screen-scraping

2022-08-30 09:30:57

哪些内置的PHP函数对网页抓取有用？有哪些好的资源（网络或印刷品）可以快速了解PHP的网络抓取速度？

答案 1

抓取通常包括 3 个步骤：

首先，获取请求或将请求发布到指定的 URL
接下来，您将收到作为响应返回的 html
最后，你从html中解析出你想要抓取的文本。

为了完成步骤1和2，下面是一个简单的php类，它使用Curl通过GET或POST获取网页。取回 HTML 后，只需使用正则表达式通过解析要抓取的文本来完成步骤 3。

对于正则表达式，我最喜欢的教程网站如下：正则表达式教程

我最喜欢的使用正则表达式的程序是正则表达式Buddy。我建议您尝试该产品的演示，即使您无意购买它。它是一个非常宝贵的工具，甚至可以为您用您选择的语言（包括php）制作的正则表达式生成代码。

用法：



$curl = new Curl();
$html = $curl->get("http://www.google.com");

// now, do your regex work against $html

PHP 类：



<?php

class Curl
{       

    public $cookieJar = "";

    public function __construct($cookieJarFile = 'cookies.txt') {
        $this->cookieJar = $cookieJarFile;
    }

    function setup()
    {


        $header = array();
        $header[0] = "Accept: text/xml,application/xml,application/xhtml+xml,";
        $header[0] .= "text/html;q=0.9,text/plain;q=0.8,image/png,*/*;q=0.5";
        $header[] =  "Cache-Control: max-age=0";
        $header[] =  "Connection: keep-alive";
        $header[] = "Keep-Alive: 300";
        $header[] = "Accept-Charset: ISO-8859-1,utf-8;q=0.7,*;q=0.7";
        $header[] = "Accept-Language: en-us,en;q=0.5";
        $header[] = "Pragma: "; // browsers keep this blank.


        curl_setopt($this->curl, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows; U; Windows NT 5.2; en-US; rv:1.8.1.7) Gecko/20070914 Firefox/2.0.0.7');
        curl_setopt($this->curl, CURLOPT_HTTPHEADER, $header);
        curl_setopt($this->curl,CURLOPT_COOKIEJAR, $this->cookieJar); 
        curl_setopt($this->curl,CURLOPT_COOKIEFILE, $this->cookieJar);
        curl_setopt($this->curl,CURLOPT_AUTOREFERER, true);
        curl_setopt($this->curl,CURLOPT_FOLLOWLOCATION, true);
        curl_setopt($this->curl,CURLOPT_RETURNTRANSFER, true);  
    }


    function get($url)
    { 
        $this->curl = curl_init($url);
        $this->setup();

        return $this->request();
    }

    function getAll($reg,$str)
    {
        preg_match_all($reg,$str,$matches);
        return $matches[1];
    }

    function postForm($url, $fields, $referer='')
    {
        $this->curl = curl_init($url);
        $this->setup();
        curl_setopt($this->curl, CURLOPT_URL, $url);
        curl_setopt($this->curl, CURLOPT_POST, 1);
        curl_setopt($this->curl, CURLOPT_REFERER, $referer);
        curl_setopt($this->curl, CURLOPT_POSTFIELDS, $fields);
        return $this->request();
    }

    function getInfo($info)
    {
        $info = ($info == 'lasturl') ? curl_getinfo($this->curl, CURLINFO_EFFECTIVE_URL) : curl_getinfo($this->curl, $info);
        return $info;
    }

    function request()
    {
        return curl_exec($this->curl);
    }
}

?>

答案 2

我推荐Goutte，一个简单的PHP Web Scraper。

用法示例：-

创建一个 Goutte 客户端实例（扩展）：Symfony\Component\BrowserKit\Client

use Goutte\Client;

$client = new Client();

使用以下方法发出请求：request()

$crawler = $client->request('GET', 'http://www.symfony-project.org/');

该方法返回一个对象（）。requestCrawlerSymfony\Component\DomCrawler\Crawler

点击链接：

$link = $crawler->selectLink('Plugins')->link();
$crawler = $client->click($link);

提交表格：

$form = $crawler->selectButton('sign in')->form();
$crawler = $client->submit($form, array('signin[username]' => 'fabien', 'signin[password]' => 'xxxxxx'));

提取数据：

$nodes = $crawler->filter('.error_list');

if ($nodes->count())
{
  die(sprintf("Authentification error: %s\n", $nodes->text()));
}

printf("Nb tasks: %d\n", $crawler->filter('#nb_tasks')->text());