使用php的curl根据关键词爬取百度搜索结果页-PHP Tutorial-php.cn

使用php的curl根据关键词爬取百度搜索结果页

WBOY

Release： 2016-06-23 13:44:39

Original

1244 people have browsed it

我想实现的是每次根据给出的关键词搜索百度结果页，比如百度搜索结果是这样的，百度推广内容加正文：

而我使用curl爬取结果是这样的：

也就是说每次爬取结果都是无法爬取到百度推广的内容。请问哪位大师能指导一下，鄙人刚入门，望各位不吝指导。先谢过了。
其中php抓取代码如下：

<?php$url = "http://www.baidu.com/s?wd=生命动力";// 构造包头，模拟浏览器请求$header = array (		"Host:www.baidu.com",		"Content-Type:application/x-www-form-urlencoded",//post请求		"Connection: keep-alive",		'Referer:http://www.baidu.com',		'User-Agent: Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; BIDUBrowser 2.6)');$ch = curl_init ();curl_setopt ( $ch, CURLOPT_URL, $url );curl_setopt ( $ch, CURLOPT_HTTPHEADER, $header );curl_setopt ( $ch, CURLOPT_RETURNTRANSFER, 1 );// 执行$content = curl_exec ( $ch );if ($content == FALSE) {	echo "error:" . curl_error ( $ch );}// 关闭curl_close ( $ch );//输出结果echo $content;?>

Copy after login

回复讨论(解决方案)

推广的内容是页面加载后再调用js二次请求获取，写入页面的。所以用curl只能获取到html有的东西。
而js加载的，你需要再用curl去获取它js获取的url得到。

但是这个百度推广内容通过查看网页源代码是可以看到的？通过调用js生成的信息会出现在网页源代码吗？

你的user-agent没有模拟好，所以不行。
其实根本不需要用post，直接用get就可以了。
修改如下：

$url = "http://www.baidu.com/s?wd=生命动力";$header = array (        'User-Agent: Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.146 Safari/537.36');$ch = curl_init ();curl_setopt ( $ch, CURLOPT_URL, $url );curl_setopt ( $ch, CURLOPT_HTTPHEADER, $header );curl_setopt ( $ch, CURLOPT_RETURNTRANSFER, 1 );// 执行$content = curl_exec ( $ch );if ($content == FALSE) {    echo "error:" . curl_error ( $ch );}// 关闭curl_close ( $ch ); //输出结果echo $content;

Copy after login

你的user-agent没有模拟好，所以不行。
其实根本不需要用post，直接用get就可以了。
修改如下：

$url = "http://www.baidu.com/s?wd=生命动力";$header = array (        'User-Agent: Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.146 Safari/537.36');$ch = curl_init ();curl_setopt ( $ch, CURLOPT_URL, $url );curl_setopt ( $ch, CURLOPT_HTTPHEADER, $header );curl_setopt ( $ch, CURLOPT_RETURNTRANSFER, 1 );// 执行$content = curl_exec ( $ch );if ($content == FALSE) {    echo "error:" . curl_error ( $ch );}// 关闭curl_close ( $ch ); //输出结果echo $content;

Copy after login

感谢你的回复。你的结论是正确的。我这里还有一个问题，就是抓取到的网页图片第一次运行可以显示，之后就显示不了了。

查看源代码发现获取到的图片地址是真实地址啊，但就是显示不了，请问有什么思路可以绕过这个防外链。在curl伪造来路好像也行不通。

这个你需要看看页面有没什么隐藏参数，通常那些会影响的。
例如js也会的。而且这算是另一个问题，应该开新贴讨论。