今天來做一個PHP電影小爬蟲。
我們來利用simple_html_dom的采集數據實例，這是一個PHP的庫，上手很容易。
simple_html_dom 可以很好的幫助我們利用php解析html文檔。通過這個php封裝類可以很方便的解析html文檔，對其中的html元素進行操作 (PHP5+以上版本)
下載地址：https://github.com/samacs/simple_html_dom
下面我們以 http://www.paopaotv.com 上的列表頁 http://paopaotv.com/tv-type-id-5-pg-1.html 字母模式展現的列表為例，抓取頁面上的列表數據，以及內容里面信息
1 <?php 2 include_once 'simple_html_dom.php'; 3 //獲取html數據轉化為對象 4 $html = file_get_html('http://paopaotv.com/tv-type-id-5-pg-1.html'); 5 //A-Z的字母列表每條數據是在id=letter-focus 的div內class= letter-focus-item的dl標簽內，用find方法查找即為 6 $listData=$html->find("#letter-focus .letter-focus-item");//$listData為數組對象 7 foreach($listData as$key=>$eachRowData){ 8 $filmName=$eachRowData->find("dd span",0)->plaintext;//獲取影視名稱 9 $filmUrl=$eachRowData->find("dd a",0)->href;//獲取dd標簽下影視對應的地址 10 //獲取影視的詳細信息 11 $filmInfo=file_get_html("http://paopaotv.com".$filmUrl); 12 $filmDetail=$filmInfo->find(".info dl"); 13 foreach($filmDetail as $film){ 14 $info=$film->find("dd"); 15 $row=null; 16 foreach($info as $childInfo){ 17 $row[]=$childInfo->plaintext; 18 } 19 $cate[$key][]=join(",",$row);//將影視的信息存放到數組中 20 } 21 }
這樣通過simple_html_dom，就可以將paopaotv.com影視列表中信息，以及影視的具體信息就抓取到了，之后你可以繼續抓取影視詳細頁面上的視頻地址信息，然后將該影視的所有信息都存放到數據庫中。
下面是simple_html_dom常用的屬性以及方法：
1 $html = file_get_html('http://paopaotv.com/tv-type-id-5-pg-1.html'); 2 $e = $html->find("div", 0); 3 //標簽 4 $e->tag; 5 //外文本 6 $e->outertext; 7 //內文本 8 $e->innertext; 9 //純文本 10 $e->plaintext; 11 //子元素 12 $e->children ( [int $index] ); 13 //父元素 14 $e->parent (); 15 //第一個子元素 16 $e->first_child (); 17 //最后一個子元素 18 $e->last_child (); 19 //后一個兄弟元素 20 $e->next_sibling (); 21 //前一個兄弟元素 22 $e->prev_sibling (); 23 //標簽數組 24 $ret = $html->find('a'); 25 //第一個a標簽 26 $ret = $html->find('a', 0);
更多用法可以參考官方手冊。
是不是很簡單呢？有問題歡迎提出來交流