使用CURL构建爬虫，抓取百度百科内容

最新推荐文章于 2023-04-27 13:16:16 发布

花间词

最新推荐文章于 2023-04-27 13:16:16 发布

阅读量1.4k

点赞数

分类专栏：信息检索 PHP 文章标签： PHP 爬虫 curl 百度百科

本文链接：https://blog.csdn.net/u012078682/article/details/32711681

版权

PHP 同时被 2 个专栏收录

9 篇文章 0 订阅

订阅专栏

信息检索

5 篇文章 0 订阅

订阅专栏

实现这个功能的步骤：

1、首先打开百度百科，在搜索框输入“php”关键词，得到搜索列表，一般都是10条；

2、然后使用火狐的Firebug分析百度列表的内容组成，主要是html标签，发现去向百科内容的链接url的格式都是http://baike.baidu.com/view/5721060.htm，于是使用正则匹配链接，得到10条链接；

3、之后把链接交由curl（）批处理函数（自定义）处理，得到结果页面的内容；

4、然后再对内容页面进行分析，找出你想要的内容，本程序抓取的是标题以及简介；最后，把结果呈现在tabel标签中。

当然，本程序不是严格意义上的网络爬虫，其实有了以上的基础，能够写一个真正意义上的爬虫还是可以的。做法就是：首先给出一堆不同的网页链接（种子队列），利用curl函数抓取页面，把遇到的超链接放入之后将要抓取页面的url队列中，把已抓取过的url放入已抓取的url队列中，这样一直循环下去，直到将要抓取的url队列被抽空为止。

此外，我还把抓取的数据写入了数据库中。

所有的代码如下：

程序名为curl.php的代码:

<?php
    require 'func.curl.php';
    require 'func.mysql.php';
    //CURL
    if (isset($_GET['action'])){
        $_key=$_POST['key'];
        $_ch=curl_init();
        curl_setopt($_ch,CURLOPT_URL,"http://baike.baidu.com/search?word=".$_key);
        curl_setopt($_ch,CURLOPT_RETURNTRANSFER,1);
        $_output=curl_exec($_ch);
        curl_close($_ch);
        if(preg_match_all('/(http\:\/\/baike\.baidu\.com.*)\"\s/',$_output,$_url)){
            $_res=curl($_url[1]);
            $_title=array();
            $_content=array();
            for ($_i=0;$_i<count($_res);$_i++){
                if (preg_match_all('/lemmaTitleH1\"\>(.*?)\s*\<\/div\>/',$_res[$_i],$_arr)){
                    //标题
                    $_title[$_i]=strip_tags($_arr[1][0]);
                    if (preg_match_all('/para\"\>(.*?)\s*\<\/div\>/',$_res[$_i],$_arr)){
                        //内容
                        $_content[$_i][0]=strip_tags($_arr[1][0]);
                        $_content[$_i][1]=strip_tags($_arr[1][1]);
                        //插入数据库
                        inserInfo($_title[$_i],$_content[$_i][0],$_content[$_i][1],$_key);
                    }
                }
            }
        }else{
            exit('无匹配结果');
        }
    }
?>  
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf8" />
<title>模拟搜索引擎</title>
<link type="text/css" rel="stylesheet" href="curl.css"/>
</head>
<body>
    <div id="header">
        <form method="post" action="?action=search">
            <input type="text" name="key" value="请输入关键字" class="text"/>
            <input type="submit" name="submit" value="搜索" class="submit"/>
        </form>
    </div>
    <div id="content">
        <table>
        <?php for ($i=0;$i<count($_title);$i++){?>
        <tr><td class="title"><a href="<?php echo $_url[1][$i];?>" target="_blank"><?php echo $_title[$i];?></a></td></tr>
        <tr><td class="content"><?php echo $_content[$i][0]?></td></tr>
        <?php }?>
        </table>
    </div>
<script type="text/javascript">
    var key=document.getElementsByName('key')[0];
    key.οnfοcus=function(){
            this.value='';
        };
    key.οnblur=function(){
            if(this.value==""){
                    this.value="请输入关键字";
                }
        };
</script>
</body>
</html>

func.curl.php的代码：

<?php
//curl批处理函数
function curl($connomains){
            
    $mh = curl_multi_init();
            
    foreach ($connomains as $i => $url) {
     $conn[$i] = curl_init("$url");
     curl_setopt($conn[$i], CURLOPT_RETURNTRANSFER, 1);
     curl_multi_add_handle ($mh,$conn[$i]);
    }
            
    // start performing the request
    do {
     $mrc = curl_multi_exec($mh, $active);
    } while ($mrc == CURLM_CALL_MULTI_PERFORM);
            
    while ($active and $mrc == CURLM_OK) {
     // wait for network
     if (curl_multi_select($mh) != -1) {
     // pull in any new data, or at least handle timeouts
     do {
     $mrc = curl_multi_exec($mh, $active);
     } while ($mrc == CURLM_CALL_MULTI_PERFORM);
     }
    }
    // retrieve data
    foreach ($connomains as $i => $url) {
     if (($err = curl_error($conn[$i])) == '') {
     $res[$i]=curl_multi_getcontent($conn[$i]);
     } else {
     print "Curl error on handle $i: $err\n";
     }
     curl_multi_remove_handle($mh,$conn[$i]);
     curl_close($conn[$i]);
    }
    curl_multi_close($mh);
            
    return $res;
            
}
?>

func.mysql.php的代码为：

<?php
function inserInfo($_title,$_content,$_content_extra,$_keywords){
        $_mysql=mysql_connect('localhost','root','123') or die('数据库连接错误');
        mysql_select_db('baike',$_mysql);
        mysql_query('set names utf8');
           
        mysql_query("INSERT INTO info (title,content,content_extra,keywords)
                VALUES(
                        '$_title',
                        '$_content',
                        '$_content_extra',
                        '$_keywords'
                        )
       
                        ");  
        mysql_close();          
}
?>

花间词

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
使用CURL构建爬虫，抓取百度百科内容

实现这个功能的步骤：首先打开百度百科，在搜索框输入“php”关键词，得到搜索列表，一般都是10条；然后使用火狐的Firebug分析百度列表的内容组成，主要是html标签，发现去向百科内容的连接的格式都是http://baike.baidu.com/view/5721060.htm，于是使用正则匹配链接，得到10条链接；之后把链接交由curl（）批处理函数（自定义）处理，得到
复制链接

扫一扫

专栏目录