如何在PHP中实现Web scraper？ [关闭]

Question

什么内置的PHP函数对Web抓取有用？ 有什么好的资源（网络或打印），以加快使用PHP进行网络抓取的速度？

Answer 1

刮痧通常包括3个步骤：

• 首先，您将请求获取或发送到指定的URL
• 接下来，您将收到作为响应返回的html
• 最后你解析那个html你要抓的文字。

要完成步骤1和2，下面是一个简单的php类，它使用Curl来使用GET或POST获取网页。 在您获得HTML之后，您只需使用正则表达式通过解析您要删除的文本来完成步骤3。

对于正则表达式，我最喜欢的教程网站如下： 正则表达式教程

我最喜欢使用RegExs的程序是Regex Buddy 。 即使您无意购买，我也会建议您尝试该产品的演示。 它是一个非常宝贵的工具，甚至可以为您使用您选择的语言（包括php）制作的正则表达式生成代码。

用法：

$curl = new Curl(); $html = $curl->get("http://www.google.com");

// now, do your regex work against $html 

PHP类：

<?php

class Curl
{       

    public $cookieJar = "";

    public function __construct($cookieJarFile = 'cookies.txt') {
        $this->cookieJar = $cookieJarFile;
    }

    function setup()
    {


        $header = array();
        $header[0] = "Accept: text/xml,application/xml,application/xhtml+xml,";
        $header[0] .= "text/html;q=0.9,text/plain;q=0.8,image/png,*/*;q=0.5";
        $header[] =  "Cache-Control: max-age=0";
        $header[] =  "Connection: keep-alive";
        $header[] = "Keep-Alive: 300";
        $header[] = "Accept-Charset: ISO-8859-1,utf-8;q=0.7,*;q=0.7";
        $header[] = "Accept-Language: en-us,en;q=0.5";
        $header[] = "Pragma: "; // browsers keep this blank.


        curl_setopt($this->curl, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows; U; Windows NT 5.2; en-US; rv:1.8.1.7) Gecko/20070914 Firefox/2.0.0.7');
        curl_setopt($this->curl, CURLOPT_HTTPHEADER, $header);
        curl_setopt($this->curl,CURLOPT_COOKIEJAR, $this->cookieJar); 
        curl_setopt($this->curl,CURLOPT_COOKIEFILE, $this->cookieJar);
        curl_setopt($this->curl,CURLOPT_AUTOREFERER, true);
        curl_setopt($this->curl,CURLOPT_FOLLOWLOCATION, true);
        curl_setopt($this->curl,CURLOPT_RETURNTRANSFER, true);  
    }


    function get($url)
    { 
        $this->curl = curl_init($url);
        $this->setup();

        return $this->request();
    }

    function getAll($reg,$str)
    {
        preg_match_all($reg,$str,$matches);
        return $matches[1];
    }

    function postForm($url, $fields, $referer='')
    {
        $this->curl = curl_init($url);
        $this->setup();
        curl_setopt($this->curl, CURLOPT_URL, $url);
        curl_setopt($this->curl, CURLOPT_POST, 1);
        curl_setopt($this->curl, CURLOPT_REFERER, $referer);
        curl_setopt($this->curl, CURLOPT_POSTFIELDS, $fields);
        return $this->request();
    }

    function getInfo($info)
    {
        $info = ($info == 'lasturl') ? curl_getinfo($this->curl, CURLINFO_EFFECTIVE_URL) : curl_getinfo($this->curl, $info);
        return $info;
    }

    function request()
    {
        return curl_exec($this->curl);
    }
}

?>

Answer 2

我推荐Goutte，一个简单的PHP Web Scraper 。

用法示例： -

创建一个Goutte Client实例（扩展Symfony\\Component\\BrowserKit\\Client ）：

use Goutte\Client;

$client = new Client();

使用request()方法request() ：

$crawler = $client->request('GET', 'http://www.symfony-project.org/');

request方法返回一个Crawler对象（ Symfony\\Component\\DomCrawler\\Crawler ）。

点击链接：

$link = $crawler->selectLink('Plugins')->link();
$crawler = $client->click($link);

提交表格：

$form = $crawler->selectButton('sign in')->form();
$crawler = $client->submit($form, array('signin[username]' => 'fabien', 'signin[password]' => 'xxxxxx'));

提取数据：

$nodes = $crawler->filter('.error_list');

if ($nodes->count())
{
  die(sprintf("Authentification error: %s\n", $nodes->text()));
}

printf("Nb tasks: %d\n", $crawler->filter('#nb_tasks')->text());

Answer 3

ScraperWiki是一个非常有趣的项目。 帮助您使用Python，Ruby或PHP在线构建scraper - 我能够在几分钟内完成一次简单的尝试。

Answer 4

如果您需要易于维护的东西，而不是快速执行，则可以使用可编写脚本的浏览器，例如SimpleTest 。

Answer 5

刮痧可能相当复杂，取决于你想做什么。 阅读本教程系列文章，介绍在PHP中编写一个Scraper的基础知识 ，看看你是否可以掌握它。

您可以使用类似的方法自动化表单注册，登录，甚至虚假点击广告！ 使用CURL的主要限制是它不支持使用javascript，所以如果你试图刮一个使用AJAX进行分页的网站，例如它可能会变得有点棘手......但是还有办法解决这个问题！

Answer 6

这是另一个： 没有正则表达式的简单PHP Scraper 。

Answer 7

我的框架中的Scraper类：

<?php

/*
    Example:

    $site = $this->load->cls('scraper', 'http://www.anysite.com');
    $excss = $site->getExternalCSS();
    $incss = $site->getInternalCSS();
    $ids = $site->getIds();
    $classes = $site->getClasses();
    $spans = $site->getSpans(); 

    print '<pre>';
    print_r($excss);
    print_r($incss);
    print_r($ids);
    print_r($classes);
    print_r($spans);        

*/

class scraper
{
    private $url = '';

    public function __construct($url)
    {
        $this->url = file_get_contents("$url");
    }

    public function getInternalCSS()
    {
        $tmp = preg_match_all('/(style=")(.*?)(")/is', $this->url, $patterns);
        $result = array();
        array_push($result, $patterns[2]);
        array_push($result, count($patterns[2]));
        return $result;
    }

    public function getExternalCSS()
    {
        $tmp = preg_match_all('/(href=")(\w.*\.css)"/i', $this->url, $patterns);
        $result = array();
        array_push($result, $patterns[2]);
        array_push($result, count($patterns[2]));
        return $result;
    }

    public function getIds()
    {
        $tmp = preg_match_all('/(id="(\w*)")/is', $this->url, $patterns);
        $result = array();
        array_push($result, $patterns[2]);
        array_push($result, count($patterns[2]));
        return $result;
    }

    public function getClasses()
    {
        $tmp = preg_match_all('/(class="(\w*)")/is', $this->url, $patterns);
        $result = array();
        array_push($result, $patterns[2]);
        array_push($result, count($patterns[2]));
        return $result;
    }

    public function getSpans(){
        $tmp = preg_match_all('/(<span>)(.*)(<\/span>)/', $this->url, $patterns);
        $result = array();
        array_push($result, $patterns[2]);
        array_push($result, count($patterns[2]));
        return $result;
    }

}
?>

Answer 8

file_get_contents()可以获取远程URL并为您提供源代码。 然后，您可以使用正则表达式（使用Perl兼容函数）来获取所需内容。

出于好奇，你想要刮什么？

Answer 9

我要么使用libcurl，要么使用Perl的LWP（libl for perl）。 有没有libwww for php？

Answer 10

curl库允许您下载网页。 您应该查看正则表达式来进行抓取。