PHP实现最简单爬虫原型
2012-06-19 14:45
253 查看
<?php /** * 爬虫程序 -- 原型 * * BookMoth 2009-02-21 */ /** * 从给定的url获取html内容 * * @param string $url * @return string */ function _getUrlContent($url) { $handle = fopen($url, "r"); if ($handle) { $content = stream_get_contents($handle, 1024 * 1024); return $content; } else { return false; } } /** * 从html内容中筛选链接 * * @param string $web_content * @return array */ function _filterUrl($web_content) { $reg_tag_a = '/<[a|A].*?href=[\'\"]{0,1}([^>\'\"\ ]*).*?>/'; $result = preg_match_all($reg_tag_a, $web_content, $match_result); if ($result) { return $match_result[1]; } } /** * 修正相对路径 * * @param string $base_url * @param array $url_list * @return array */ function _reviseUrl($base_url, $url_list) { $url_info = parse_url($base_url); $base_url = $url_info["scheme"] . '://'; if ($url_info["user"] && $url_info["pass"]) { $base_url .= $url_info["user"] . ":" . $url_info["pass"] . "@"; } $base_url .= $url_info["host"]; if ($url_info["port"]) { $base_url .= ":" . $url_info["port"]; } $base_url .= $url_info["path"]; print_r($base_url); if (is_array($url_list)) { foreach ($url_list as $url_item) { if (preg_match('/^http/', $url_item)) { //已经是完整的url $result[] = $url_item; } else { //不完整的url $real_url = $base_url . '/' . $url_item; $result[] = $real_url; } } return $result; } else { return; } } /** * 爬虫 * * @param string $url * @return array */ function crawler($url) { $content = _getUrlContent($url); if ($content) { $url_list = _reviseUrl($url, _filterUrl($content)); if ($url_list) { return $url_list; } else { return; } } else { return; } } /** * 测试用主程序 * */ function main() { $current_url = "http://hao123.com/"; //初始url $fp_puts = fopen("url.txt", "ab"); //记录url列表 $fp_gets = fopen("url.txt", "r"); //保存url列表 do { $result_url_arr = crawler($current_url); if ($result_url_arr) { foreach ($result_url_arr as $url) { fputs($fp_puts, $url . "\r\n"); } } } while ($current_url = fgets($fp_gets, 1024)); //不断获得url } main(); ?>
最简单的爬虫模型应该是这样的:给一个初始url,爬虫把内容扒下拉,找页面里的url,在以这些url为起点,开始爬。
上面是一个最简单的php实现的爬虫模型。
当然这只爬虫还需要进行下面的进化才可以:
1、拼接更准确的url链接。现在的链接有可能是格式错误的。
2、能够去掉重复的url链接。现在的爬虫会做非常多非常多的重复工作。
3、避免爬虫怕成环路,一个永远右转的车,只能是300内环,它只会跑在三环路上,去不了别的地方。
4、多线程或者多进程。因为php没有线程的概念,所以可能需要shell这样的东西来模拟了。
5、……略去2的N次方个汉字。
反正是意思一下就好了~
转自:http://www.xjq123.com/html/33/n-13433.html点击打开链接
相关文章推荐
- PHP实现最简单爬虫原型
- PHP实现最简单爬虫原型
- PHP实现最简单爬虫原型
- PHP实现简单爬虫的方法
- PHP实现简单爬虫
- php实现简单爬虫的开发
- 利用php实现最简单的爬虫
- 一个PHP实现的轻量级简单爬虫
- 一个PHP实现的轻量级简单爬虫
- PHP实现的一个简单的爬虫
- PHP+HTML+JavaScript+Css实现简单爬虫开发
- 一个PHP实现的轻量级简单爬虫
- PHP实现简单爬虫-抓取网页url
- 一个PHP实现的轻量级简单爬虫
- php实现简单爬虫的开发
- php 爬虫的简单实现, 获取整个页面, 再把页面的数据导入本地的文件当中
- php 实现简单爬虫
- PHP实现简单爬虫的方法
- requests实现简单文本爬虫
- PHP简单实现数字分页功能示例