使用phpquery采集小说

使用phpquery采集小说

  1. 说明

    phpQuery是基于php5新添加的DOMDocument。而DOMDocument则是专门用来处理html/xml。它提供了强大xpath选 择器及其他很多html/xml操作函数,使得处理html/xml起来非常方便

  2. 步骤

    1. 先获取小说的列表页的a标签的链接
    2. 进入详情页获取标题和内容
    3. 输出txt到浏览器
  3. 代码地址

  4. 代码

    <?php
    /**
    * Created by PhpStorm.
    * User: rex
    * Date: 2017/7/6 0006
    * Time: 上午 11:32
    */
    include 'phpquery/phpQuery/phpQuery.php';
    class Collection{
       private $url; //列表页链接
       private $sonUrl;//详情页链接
       private $list;//列表页的a链接所在位置
       private $titleTag;//详情页的标题标签
       private $conTag;//详情页内容所在标签
       private $br;//详情页的换行符
       private $delete;
    
       public function init(){
           $_GET['url'] ="http://www.bixia.org/59_59857/";
           $_GET['sonUrl'] = "http://www.bixia.org/59_59857";
           $_GET['list'] = ".box_con dl dd a";
           $_GET['titleTag'] = "h1";
           $_GET['conTag'] = "#content";
           $_GET['br'] = "<br>" ;
           $this->setVar();//处理参数
           header("Content-type: text/html; charset=utf-8");
           ini_set('date.timezone','Asia/Shanghai');
           set_time_limit(0);
           $this->coll();//开始采集
       }
       private function coll(){
    
           $mxUrl = $this->sonUrl;
    
           //采集小说章节链接
             phpQuery::newDocumentFile($this->url);    //抓取网址
           //取出页面所有链接排序
           $arr=pq($this->list);      //pq类似于jquery的选择器$(),这里找到class为postTitle的元素
    
           $list = array();
           foreach($arr as $li){
               $list[] =  pq($li)->attr('href');
           }
    
          // sort($list);//对a标签排序
           $result = '';
           foreach($list as $k=>$v){//采集详情页
    
               $html = file_get_contents($mxUrl.$v);
            //处理编码为空的情况
               if( strpos($html,'charset="')){
                   $html = iconv("gb2312", "utf-8//IGNORE",$html);
               }
            //创建phpquery对象
                phpQuery::newDocument($html);
    
               //获取title
               $title =  pq($this->titleTag)->text();
            //获取内容
               $con = pq($this->conTag)->html();
            //替换html换行为txt文本换行
               $con =  str_replace($this->br,"\r\n",$con);
               $result .=  $title."\r\n";
               $result .=  $con."\r\n";
               echo $title.'组装完成<br>'; 
           }
    
        //把txt文本输出txt下载
           $filename=time().'.txt';//要导出的文件的文件名需要加上文件后缀
           header('Content-Type: text/x-sql');
    
           header('Expires: ' . gmdate('D, d M Y H:i:s') . ' GMT');
    
           header('Content-Disposition: attachment; filename="' .$filename. '"');
           $is_ie = 'IE';
           if ($is_ie == 'IE') {
               header('Cache-Control: must-revalidate, post-check=0, pre-check=0');
               header('Pragma: public');
           } else {
               header('Pragma: no-cache');
               header('Last-Modified: ' . gmdate('D, d M Y H:i:s') . ' GMT');
           }
           echo $result;
           exit();
       }
       private function setVar(){
          $this->url = $this->isValidUrl($_GET['url'])==false ? '' : $_GET['url'];
    
           if($this->url=='') echo "<script> alert('url错误') </script>";
           $this->sonUrl = $_GET['sonUrl'];
           $this->list = $_GET['list'];
           $this->titleTag = $_GET['titleTag'];
           $this->conTag = $_GET['conTag'];
           $this->br = $_GET['br'];
       }
    
       public function isValidUrl($url) {
           $patern = '/^http[s]?:\/\/'.
               '(([0-9]{1,3}\.){3}[0-9]{1,3}'.             // IP形式的URL- 199.194.52.184
               '|'.                                        // 允许IP和DOMAIN(域名)
               '([0-9a-z_!~*\'()-]+\.)*'.                  // 三级域验证- www.
               '([0-9a-z][0-9a-z-]{0,61})?[0-9a-z]\.'.     // 二级域验证
               '[a-z]{2,6})'.                              // 顶级域验证.com or .museum
               '(:[0-9]{1,4})?'.                           // 端口- :80
               '((\/\?)|'.                                 // 如果含有文件对文件部分进行校验
               '(\/[0-9a-zA-Z_!~\*\'\(\)\.;\?:@&=\+\$,%#-\/]*)?)$/';
    
           if(!preg_match($patern, $url)) {
               return false;
           }else{
               return true;
           }
       }
    }
    $coll = new Collection();
    $coll->init();
    

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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