php 连续采集,PHP 轻量级采集方案

我之前都是用的simplehtmldom http://sourceforge.net/projects/simplehtmldom/ 这个工具来处理,可以像 jquery 那样来处理文档,比较方便。如果不使用这个第三方的工具,可以用下面的方式简单处理。

工具Curl

DOMDocument

DomXPath

演示

抓取

简单演示不包含模拟登录。function curl_get($url,$referer=false)

{

$curl = curl_init();

if(strpos($url,"https://")===0){

$curl_version = curl_version();

$ssl_version = isset($curl_version['ssl_version']) ? $curl_version['ssl_version'] : "";

curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);

curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);

if(strpos($ssl_version,"OpenSSL")!==false){

curl_setopt($curl, CURLOPT_SSL_CIPHER_LIST, 'TLSv1');

}

}

curl_setopt($curl, CURLOPT_URL, $url);

if ($referer) {

curl_setopt ($curl, CURLOPT_REFERER, $referer);

}

curl_setopt($curl, CURLOPT_HEADER, 0);

curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);

curl_setopt($curl, CURLOPT_FOLLOWLOCATION,1);

curl_setopt($curl, CURLOPT_TIMEOUT, 5);

if (isset($_SERVER['HTTP_USER_AGENT'])) {

curl_setopt($curl, CURLOPT_USERAGENT, $_SERVER['HTTP_USER_AGENT']);

}else{

curl_setopt($curl, CURLOPT_USERAGENT, 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36');

}

$data = curl_exec($curl);

curl_close($curl);

return $data;

}

处理

demo 1$doc = new DOMDocument();

error_reporting(E_ERROR);

// fix 线上乱码问题

$content = '' . $content;

if ($doc->loadHTML($content) === false) {

return false;

}

error_reporting(E_ALL);

$finder = new DomXPath($doc);

$elements = $finder->query("//div[contains(@class, 'show-content')]");

$article = '';

$element = $elements->item(0);

$children = $element->childNodes;

foreach ($children as $child) {

$article .= $element->ownerDocument->saveHTML($child);

}

demo 2//创建一个DomDocument对象,用于处理一个HTML

$dom = new DOMDocument();

//从一个字符串加载HTML

@$dom->loadHTML($html);

//使该HTML规范化

$dom->normalize();

//用DOMXpath加载DOM,用于查询

$xpath = new DOMXPath($dom);

#获取所有的a标签的地址

$hrefs = $xpath->evaluate("/html/body//a//@href");

for ($i = 0; $i < $hrefs->length; $i++) {

$href = $hrefs->item($i);

$linktext = $href->nodeValue;

echo $linktext;

echo "
";

}

XPath 表达式

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