有時候因為工作、自身的需求，我們都會去瀏覽不同網站去獲取我們需要的數據，於是爬蟲應運而生，下面是開發一個簡單爬蟲的經過與遇到的問題。 開發一個爬蟲，首先你要知道你的這個爬蟲是要用來做什麼的。我是要用來去不同網站找特定關鍵字的文章，並獲取它的鏈接，以便我快速閱讀。
依照個人習慣，我首先要寫一個介面，理清下思路。
1、去不同網站。那我們需要一個url輸入框。
2、找特定關鍵字的文章。那我們就需要一個文章標題輸入框。
3、取得文章連結。那我們需要一個搜尋結果的顯示容器。
[xhtml] view plain copy
<p class="jumbotron" id="mainJumbotron">
<p class="panel panel-default">
<p class="panel-heading">文章URL抓取</p>
<p class="panel-body">
<p class="form-group">
<label for="article_title">文章标题</label>
<input type="text" class="form-control" id="article_title" placeholder="文章标题">
</p>
<p class="form-group">
<label for="website_url">网站URL</label>
<input type="text" class="form-control" id="website_url" placeholder="网站URL">
</p>
<button type="submit" class="btn btn-default">抓取</button>
</p>
</p>
<p class="panel panel-default">
<p class="panel-heading">文章URL</p>
<p class="panel-body">
<h3></h3>
</p>
</p>
</p>直接上程式碼，然後加上自己的一些樣式調整，介面就完成啦：
那麼接下來就是功能的實現了，我用PHP來寫，首先第一步就是獲取網站的html代碼，獲取html代碼的方式也有很多，我就不一一介紹了，這裡用了curl來獲取，傳入網站url就能得到html代碼啦：
[xhtml] view plain copy
private function get_html($url){
$ch = curl_init();
$timeout = 10;
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_ENCODING, 'gzip');
curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.131 Safari/537.36');
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
$html = curl_exec($ch);
return $html;
}雖然得到了html代碼，但是很快你會遇到一個問題，那就是編碼問題，這可能讓你下一步的匹配無功而返，我們這裡統一把得到的html內容轉為utf8編碼：
[php] view plain copy $coding = mb_detect_encoding($html); if ($coding != "UTF-8" || !mb_check_encoding($html, "UTF-8")) $html = mb_convert_encoding($html, 'utf-8', 'GBK,UTF-8,ASCII');
得到網站的html，要取得文章的url，那麼下一步就是要符合該網頁下的所有a標籤，需要用到正規表示式，經過多次測試，最終得到一個比較可靠的正規表示式，不管a標籤下結構多複雜，只要是a標籤的都不放過：(最關鍵的一步)
[php] view plain copy $pattern = '|<a[^>]*>(.*)</a>|isU'; preg_match_all($pattern, $html, $matches);
匹配的結果在$matches中，它大概是這樣的一個多維素組;
[js] view plain copy
array(2) {
[0]=>
array(*) {
[0]=>
string(*) "完整的a标签"
.
.
.
}
[1]=>
array(*) {
[0]=>
string(*) "与上面下标相对应的a标签中的内容"
}
}只要能得到這個數據，其他就完全可以操作啦，你可以遍歷這個素組，找到你想要a標籤，然後獲取a標籤相應的屬性，想怎麼操作就怎麼操作啦，下面推荐一個類，讓你更方便操作a標籤：
[php] view plain copy
$dom = new DOMDocument();
@$dom->loadHTML($a);//$a是上面得到的一些a标签
$url = new DOMXPath($dom);
$hrefs = $url->evaluate('//a');
for ($i = 0; $i < $hrefs->length; $i++) {
$href = $hrefs->item($i);
$url = $href->getAttribute('href'); //这里获取a标签的href属性
}當然，這只是一種方式，你也可以通過正則表達式匹配你想要的訊息，把數據玩出新花樣。
得到并匹配得出你想要的结果，下一步当然就是传回前端将他们显示出来啦，把接口写好，然后前端用js获取数据，用jquery动态添加内容显示出来：
[php] view plain copy
var website_url = '你的接口地址';
$.getJSON(website_url,function(data){
if(data){
if(data.text == ''){
$('#article_url').html('<p><p>暂无该文章链接</p></p>');
return;
}
var string = '';
var list = data.text;
for (var j in list) {
var content = list[j].url_content;
for (var i in content) {
if (content[i].title != '') {
string += '<p class="item">' +
'<em>[<a href="http://' + list[j].website.web_url + '" target="_blank">' + list[j].website.web_name + '</a>]</em>' +
'<a href=" ' + content[i].url + '" target="_blank" class="web_url">' + content[i].title + '</a>' +
'</p>';
}
}
}
$('#article_url').html(string);
});上最终效果图：
以上是PHP如何開發簡單爬蟲的詳細內容。更多資訊請關注PHP中文網其他相關文章！
