简单使用phpspider采集本博客文章内容

采集流程

根据链接获取页面内容(curl)->获取需要采集的内容(可以通过正则、xpath、css选择器等方法进行筛选)

<?php

require_once 'phpspider/autoloader.php';
use phpspider\core\phpspider;
use phpspider\core\requests;
use phpspider\core\selector;
/* Do NOT delete this comment */
/* 不要删除这段注释 */
requests::$input_encoding = 'GB2312';
requests::$output_encoding = 'GB2312';
//获取博客文章列表的文章url
for($i=1;$i<=10;$i++){
$url = "https://www.cnblogs.com/jcydd/default.html?page=".$i;
$html = requests::get($url);
//var_dump($html);
$selector = "/<a\sid=\"homepage1_HomePageDays_DaysList_ctl0\d_DayList_TitleUrl_\d\"\sclass=\"postTitle2\"\shref=\"(.*)\">/";
$result[] = selector::select($html, $selector,'regex');
}
//var_dump($result);

//根据url循环获取文章标题和内容
  foreach($result as $k=> $v){
      foreach($v as $kk=>$vv){

    $html1 = requests::get($vv);
    //var_dump($html1);
    
    //获取文章标题,正则表达式前后要加上@,我也不知道为什么
    $selector1 = "@<a\sid=\"cb_post_title_url\"\s(?:.)+?>(.*)</a>@";
    $result1 = selector::select($html1, $selector1,'regex');
    //var_dump($result1);
    
    //文章内容正则有点问题,有些内容获取不到    
     $selector2 = "@<div\sid=\"cnblogs_post_body\"\sclass=\"blogpost-body\">((.|\n)*)<div\sid=\"MySignature\">@";     
    $result2 = selector::select($html1, $selector2,'regex');
    //var_dump($result2);
    //去除文章内容里的html标签    
     $result2=preg_replace('/<[^<]*>/',"",$result2);   
     
     //写入文件 
    $myfile = fopen("f".$k.$kk.".txt", "w") or die("Unable to open file!");
    fwrite($myfile, $result1);
    fwrite($myfile,"\r\n");
     foreach($result2 as $vvv){
        fwrite($myfile, $vvv);
    }
    
    fclose($myfile);  
 
 } 
}

 
 

 

转载于:https://www.cnblogs.com/jcydd/p/phpspider.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值