锐客网

  1. 首页 > 睿知 > it技术 > >

php数据爬虫抓取 php怎么爬数据

IT技术数据

php中curl爬虫 怎么样通过网页获取所有链接本文承接上面两篇 ， 本篇中的示例要调用到前两篇中的函数，做一个简单的URL采集 。一般php采集网络数据会用file_get_contents、file和cURL 。不过据说cURL会比file_get_contents、file更快更专业，更适合采集 。今天就试试用cURL来获取网页上的所有链接 。示例如下：
?php
/*
* 使用curl 采集hao123.com下的所有链接 。
*/
include_once('function.php');
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, '');
// 只需返回HTTP header
curl_setopt($ch, CURLOPT_HEADER, 1);
// 页面内容我们并不需要
// curl_setopt($ch, CURLOPT_NOBODY, 1);
// 返回结果，而不是输出它
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);
// 主机部分，补全用
$host = '';
if (is_array($linkarr)) {
foreach ($linkarr as $k = $v) {
$linkresult[$k] = _expandlinks($v, $host);
}
}
printf("p此页面的所有链接为：/ppre%s/pren", var_export($linkresult , true));
?
function.php内容如下（即为上两篇中两个函数的合集）：
?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 $match;
}
/*===================================================================*
Function: _expandlinks
Purpose: expand each link into a fully qualified URL
Input:$linksthe links to qualify
$URIthe full URI to get the base from
Output:$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;
}
?
如何用PHP做网络爬虫其实用PHP来爬会非常方便，主要是PHPphp数据爬虫抓取的正则表达式功能在搜集页面连接方面很方便，另外PHPphp数据爬虫抓取的fopen、file_get_contents以及libcur的函数非常方便的下载网页内容 。
具体处理方式就是建立就一个任务队列 ， 往队列里面插入一些种子任务和可以开始爬行，爬行的过程就是循环的从队列里面提取一个URL，打开后获取连接插入队列中，进行相关的保存 。队列可以使用数组实现 。
当然PHP作为但线程的东西，慢慢爬还是可以，怕的就是有的URL打不开，会死在那里 。
如何用php 编写网络爬虫?pcntl_fork或者swoole_process实现多进程并发 。按照每个网页抓取耗时500msphp数据爬虫抓取 ， 开200个进程，可以实现每秒400个页面php数据爬虫抓取的抓取 。
curl实现页面抓取，设置cookie可以实现模拟登录

推荐阅读


上一篇：微点击推广效果如何，点击推广是怎么计费

下一篇：域名能用虚拟主机吗，域名能用虚拟主机吗