PHP實現網頁爬蟲

抓取某一個網頁中的內容，需要對DOM樹進行解析，找到指定節點后，再抓取我們需要的內容，過程有點繁瑣。LZ總結了幾種常用的、易於實現的網頁抓取方式，如果熟悉JQuery選擇器，這幾種框架會相當簡單。

一、Ganon

項目地址： http://code.google.com/p/ganon/

文檔： http://code.google.com/p/ganon/w/list

測試:抓取我的網站首頁所有class屬性值是focus的div元素，並且輸出class值

<?php
 include 'ganon.php';
 $html = file_get_dom('http://www.ido321.com/');
 foreach($html('div[class="focus"]') as $element) {
   echo $element->class, "<br>\n"; 
 }
?>

 

結果:

二、phpQuery

項目地址：http://code.google.com/p/phpquery/

文檔：https://code.google.com/p/phpquery/wiki/Manual

測試：抓取我網站首頁的article標簽元素，然后出書其下h2標簽的html值

<?php
include 'phpQuery/phpQuery.php'; 
phpQuery::newDocumentFile('http://www.ido321.com/'); 
$artlist = pq("article"); 
foreach($artlist as $title){ 
   echo pq($title)->find('h2')->html()."<br/>"; 
} 
?>

 

結果：

  三、Simple-Html-Dom

項目地址： http://simplehtmldom.sourceforge.net/
文檔： http://simplehtmldom.sourceforge.net/manual.htm

測試：抓取我網站首頁的所有鏈接

<?php
include 'simple_html_dom.php';
//使用url和file都可以創建DOM
$html = file_get_html('http://www.ido321.com/');

//找到所有圖片
// foreach($html->find('img') as $element)
//        echo $element->src . '<br>';

//找到所有鏈接
foreach($html->find('a') as $element)
       echo $element->href . '<br>'; 
?>

 

結果：（截圖是一部分）

 

四、Snoopy

項目地址：http://code.google.com/p/phpquery/

文檔：http://code.google.com/p/phpquery/wiki/Manual

測試：抓取我的網站首頁

<?php
include("Snoopy.class.php");
$url = "http://www.ido321.com";
$snoopy = new Snoopy;
$snoopy->fetch($url); //獲取所有內容
 echo $snoopy->results; //顯示結果
// echo $snoopy->fetchtext ;//獲取文本內容（去掉html代碼）
// echo $snoopy->fetchlinks($url) ;//獲取鏈接
// $snoopy->fetchform ;//獲取表單 
?>

 

結果：

 

五、手動編寫爬蟲

如果編寫能力ok，可以手寫一個網頁爬蟲，實現網頁抓取。網上有千篇一律的介紹此方法的文章，LZ就不贅述了。有興趣了解的，可以百度  php 網頁抓取。

ps：資源分享

常見的開源爬蟲項目請戳：http://blog.chinaunix.net/uid-22414998-id-3774291.html

 

注：原文博客地址 http://www.ido321.com/1158.html