如何在PHP中创建一个简单的爬虫

我想写一个脚本,将包含在这些链接中的所有数据转储到本地文件中。

我想写一个脚本,将包含在这些链接中的所有数据转储到本地文件中。

有人用 PHP 做了吗?一般准则和 gotchas 足以作为答案。

89

嗯。不要p HTML with regexes

这是一个受 Tatu 启发的 DOM 版本:

<?php
function crawl_page($url, $depth = 5)
{
    static $seen = array();
    if (isset($seen[$url]) || $depth === 0) {
        return;
    }
    $seen[$url] = true;
    $dom = new DOMDocument('1.0');
    @$dom->loadHTMLFile($url);
    $anchors = $dom->getElementsByTagName('a');
    foreach ($anchors as $element) {
        $href = $element->getAttribute('href');
        if (0 !== strpos($href, 'http')) {
            $path = '/' . ltrim($href, '/');
            if (extension_loaded('http')) {
                $href = http_build_url($url, array('path' => $path));
            } else {
                $parts = p_url($url);
                $href = $parts['scheme'] . '://';
                if (isset($parts['user']) && isset($parts['p'])) {
                    $href .= $parts['user'] . ':' . $parts['p'] . '@';
                }
                $href .= $parts['host'];
                if (isset($parts['port'])) {
                    $href .= ':' . $parts['port'];
                }
                $href .= dirname($parts['path'], 1).$path;
            }
        }
        crawl_page($href, $depth - 1);
    }
    echo "URL:",$url,PHP_EOL,"CONTENT:",PHP_EOL,$dom->saveHTML(),PHP_EOL,PHP_EOL;
}
crawl_page("http://hobodave.com", 2);

编辑:我修复了 Tatu 版本中的一些错误(现在使用相对 URL)。

编辑:我添加了一点新功能,可以防止它两次跟随相同的 URL。

编辑:现在将输出回显到 STDOUT,以便您可以将其重定向到所需的任何文件

编辑:修复了 George 在他的答案中指出的错误。相对 url 将不再附加到 url 路径的末尾,而是覆盖它。感谢 George 为此。请注意,George 的答案不包含任何内容:https,user,p 或 port。如果您加载了httpGeorge 扩展,则可以使用http_build_url手动完成。

15

这里我的实现基于上面的例子 / 答案。

它是基于类

使用 Curl

支持 HTTP Auth

跳过不属于基本域的 URL

返回每个页面的 Http 标头响应代码

每页的返回时间

裂纹类:

cl crawler
{
    protected $_url;
    protected $_depth;
    protected $_host;
    protected $_useHttpAuth = false;
    protected $_user;
    protected $_p;
    protected $_seen = array();
    protected $_filter = array();
    public function __construct($url, $depth = 5)
    {
        $this->_url = $url;
        $this->_depth = $depth;
        $p = p_url($url);
        $this->_host = $p['host'];
    }
    protected function _processAnchors($content, $url, $depth)
    {
        $dom = new DOMDocument('1.0');
        @$dom->loadHTML($content);
        $anchors = $dom->getElementsByTagName('a');
        foreach ($anchors as $element) {
            $href = $element->getAttribute('href');
            if (0 !== strpos($href, 'http')) {
                $path = '/' . ltrim($href, '/');
                if (extension_loaded('http')) {
                    $href = http_build_url($url, array('path' => $path));
                } else {
                    $parts = p_url($url);
                    $href = $parts['scheme'] . '://';
                    if (isset($parts['user']) && isset($parts['p'])) {
                        $href .= $parts['user'] . ':' . $parts['p'] . '@';
                    }
                    $href .= $parts['host'];
                    if (isset($parts['port'])) {
                        $href .= ':' . $parts['port'];
                    }
                    $href .= $path;
                }
            }
            // Crawl only link that belongs to the start domain
            $this->crawl_page($href, $depth - 1);
        }
    }
    protected function _getContent($url)
    {
        $handle = curl_init($url);
        if ($this->_useHttpAuth) {
            curl_setopt($handle, CURLOPT_HTTPAUTH, CURLAUTH_ANY);
            curl_setopt($handle, CURLOPT_USERPWD, $this->_user . ":" . $this->_p);
        }
        // follows 302 redirect, creates problem wiht authentication
//        curl_setopt($handle, CURLOPT_FOLLOWLOCATION, TRUE);
        // return the content
        curl_setopt($handle, CURLOPT_RETURNTRANSFER, TRUE);
        /* Get the HTML or whatever is linked in $url. */
        $response = curl_exec($handle);
        // response total time
        $time = curl_getinfo($handle, CURLINFO_TOTAL_TIME);
        /* Check for 404 (file not found). */
        $httpCode = curl_getinfo($handle, CURLINFO_HTTP_CODE);
        curl_close($handle);
        return array($response, $httpCode, $time);
    }
    protected function _printResult($url, $depth, $httpcode, $time)
    {
        ob_end_flush();
        $currentDepth = $this->_depth - $depth;
        $count = count($this->_seen);
        echo "N::$count,CODE::$httpcode,TIME::$time,DEPTH::$currentDepth URL::$url <br>";
        ob_start();
        flush();
    }
    protected function isValid($url, $depth)
    {
        if (strpos($url, $this->_host) === false
            || $depth === 0
            || isset($this->_seen[$url])
        ) {
            return false;
        }
        foreach ($this->_filter as $excludePath) {
            if (strpos($url, $excludePath) !== false) {
                return false;
            }
        }
        return true;
    }
    public function crawl_page($url, $depth)
    {
        if (!$this->isValid($url, $depth)) {
            return;
        }
        // add to the seen URL
        $this->_seen[$url] = true;
        // get Content and Return Code
        list($content, $httpcode, $time) = $this->_getContent($url);
        // print Result for current Page
        $this->_printResult($url, $depth, $httpcode, $time);
        // process subPages
        $this->_processAnchors($content, $url, $depth);
    }
    public function setHttpAuth($user, $p)
    {
        $this->_useHttpAuth = true;
        $this->_user = $user;
        $this->_p = $p;
    }
    public function addFilterPath($path)
    {
        $this->_filter[] = $path;
    }
    public function run()
    {
        $this->crawl_page($this->_url, $this->_depth);
    }
}

用法:

// USAGE
$startURL = 'http://YOUR_URL/';
$depth = 6;
$username = 'YOURUSER';
$pword = 'YOURPASS';
$crawler = new crawler($startURL, $depth);
$crawler->setHttpAuth($username, $pword);
// Exclude path with the following structure to be processed 
$crawler->addFilterPath('customer/account/login/referer');
$crawler->run();
11

查看 PHP Crawler

http://sourceforge.net/projects/php-crawler/

看看是否有帮助。

9

在它的最简单的形式:

function crawl_page($url, $depth = 5) {
    if($depth > 0) {
        $html = file_get_contents($url);
        preg_match_all('~<a.*?href="(.*?)".*?>~', $html, $matches);
        foreach($matches[1] as $newurl) {
            crawl_page($newurl, $depth - 1);
        }
        file_put_contents('results.txt', $newurl."\n\n".$html."\n\n", FILE_APPEND);
    }
}
crawl_page('http://www.domain.com/index.php', 5);

该函数将从页面获取内容,然后抓取所有找到的链接并将内容保存到“results.txt”。这些函数接受第二个参数,深度,它定义了链接应该遵循的长度。如果你只想解析给定页面的链接,请在那里传递 1。

本站系公益性非盈利分享网址,本文来自用户投稿,不代表码文网立场,如若转载,请注明出处

(291)
如何使用powershell遍历远程注册表项
上一篇
在文本框中显示增值税值(vat box)
下一篇

相关推荐

  • php 判断是否为空(含代码示例)

    示例示例PHP 判断是否为空的方法有很多,下面介绍几种常用的:使用 empty() 函数:…

    2023-04-24 14:56:31
    0 86 23
  • php转字符串一个挑战

    示例示例PHP转字符串可以使用PHP的内置函数strval()来实现,其语法格式如下:strval(var)…

    2023-04-17 01:05:26
    0 31 24
  • php 图片上传轻松实现你的创意

    PHP 图片上传是指使用 PHP 语言在 web 端实现图片上传的功能,可以将本地图片文件上传到远程服务器。下面给出一个 PHP 图片上传的代码实例:…

    2023-04-12 15:38:56
    0 92 86
  • php多态的理解让代码更加灵活和可扩展

    示例示例PHP多态是指一个接口,多种不同的实现。它是面向对象编程中一种常用的特性,允许在不同情况下使用同一接口。多态的实现方式有很多,其中一种是使用抽象类和接口。抽象类和接口都是定义一组行为的标准,但抽象类可以提供默认实现,而接口则不能。…

    2023-05-08 04:13:52
    0 96 98
  • php-fpm重启:如何使用php-fpm重启服务器

    PHP-FPM重启的步骤:检查php-fpm进程是否正在运行:…

    2023-04-22 10:35:48
    0 87 11
  • php项目部署到服务器一步一步指南

    在服务器上安装Apache、PHP和MySQL,并配置好环境变量;将php项目代码上传到服务器,将文件夹放在Apache的根目录下;…

    2023-05-03 15:28:15
    0 67 15
  • php软件入门培训学习如何使用PHP编程

    示例示例PHP是一种开放源代码的通用脚本语言,特别适合于Web开发并可嵌入HTML中使用。它可以快速构建动态网站,而且易于学习。PHP软件入门培训包括:…

    2023-05-03 11:03:36
    0 59 34
  • php 输出数组(含代码示例)

    示例示例PHP 提供了多种方式来输出数组,其中最常用的是 print_r() 和 var_mp() 函数。print_r() 函数可以将数组转换为字符串,并将其输出到标准输出流。…

    2023-05-21 08:05:32
    0 79 55

发表评论

登录 后才能评论

评论列表(87条)