有时候因为工作、自身的需求，我们都会去浏览不同网站去获取我们需要的数据，于是爬虫应运而生，下面是我在开发一个简单爬虫的经过与遇到的问题。
开发一个爬虫，首先你要知道你的这个爬虫是要用来做什么的。我是要用来去不同网站找特定关键字的文章，并获取它的链接，以便我快速阅读。
按照个人习惯，我首先要写一个界面，理清下思路。
1、去不同网站。那么我们需要一个url输入框。
2、找特定关键字的文章。那么我们需要一个文章标题输入框。
3、获取文章链接。那么我们需要一个搜索结果的显示容器。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
<div class="jumbotron" id="mainjumbotron">
<div class="panel panel-default">
<div class="panel-heading">文章url抓取</div>
<div class="panel-body">
<div class="form-group">
<label for="article_title">文章标题</label>
<input type="text" class="form-control" id="article_title" placeholder="文章标题">
</div>
<div class="form-group">
<label for="website_url">网站url</label>
<input type="text" class="form-control" id="website_url" placeholder="网站url">
</div>
<button type="submit" class="btn btn-default">抓取</button>
</div>
</div>
<div class="panel panel-default">
<div class="panel-heading">文章url</div>
<div class="panel-body">
<h3></h3>
</div>
</div>
</div>
|
直接上代码，然后加上自己的一些样式调整，界面就完成啦：
那么接下来就是功能的实现了，我用php来写，首先第一步就是获取网站的html代码，获取html代码的方式也有很多，我就不一一介绍了，这里用了curl来获取，传入网站url就能得到html代码啦：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
private function get_html($url){
$ch = curl_init();
$timeout = 10;
curl_setopt($ch, curlopt_url, $url);
curl_setopt($ch, curlopt_returntransfer, 1);
curl_setopt($ch, curlopt_encoding, 'gzip');
curl_setopt($ch, curlopt_useragent, 'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/34.0.1847.131 safari/537.36');
curl_setopt($ch, curlopt_connecttimeout, $timeout);
$html = curl_exec($ch);
return $html;
}
|
虽然得到了html代码，但是很快你会遇到一个问题，那就是编码问题，这可能让你下一步的匹配无功而返，我们这里统一把得到的html内容转为utf8编码：
|
1
2
3
|
$coding = mb_detect_encoding($html);
if ($coding != "utf-8" || !mb_check_encoding($html, "utf-8"))
$html = mb_convert_encoding($html, 'utf-8', 'gbk,utf-8,ascii');
|
得到网站的html，要获取文章的url，那么下一步就是要匹配该网页下的所有a标签，需要用到正则表达式，经过多次测试，最终得到一个比较靠谱的正则表达式，不管a标签下结构多复杂，只要是a标签的都不放过：(最关键的一步)
|
1
2
|
$pattern = '|<a[^>]*>(.*)</a>|isu';
preg_match_all($pattern, $html, $matches);
|
匹配的结果在$matches中，它大概是这样的一个多维素组：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
array(2) {
[0]=>
array(*) {
[0]=>
string(*) "完整的a标签"
.
.
.
}
[1]=>
array(*) {
[0]=>
string(*) "与上面下标相对应的a标签中的内容"
}
}
|
只要能得到这个数据，其他就完全可以操作啦，你可以遍历这个素组，找到你想要a标签，然后获取a标签相应的属性，想怎么操作就怎么操作啦，下面推荐一个类，让你更方便操作a标签：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
$dom = new domdocument();
@$dom->loadhtml($a);//$a是上面得到的一些a标签
$url = new domxpath($dom);
$hrefs = $url->evaluate('//a');
for ($i = 0; $i < $hrefs->length; $i++) {
$href = $hrefs->item($i);
$url = $href->getattribute('href'); //这里获取a标签的href属性
}
|
当然，这只是一种方式，你也可以通过正则表达式匹配你想要的信息，把数据玩出新花样。
得到并匹配得出你想要的结果，下一步当然就是传回前端将他们显示出来啦，把接口写好，然后前端用js获取数据，用jquery动态添加内容显示出来：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
var website_url = '你的接口地址';
$.getjson(website_url,function(data){
if(data){
if(data.text == ''){
$('#article_url').html('<div><p>暂无该文章链接</p></div>');
return;
}
var string = '';
var list = data.text;
for (var j in list) {
var content = list[j].url_content;
for (var i in content) {
if (content[i].title != '') {
string += '<div class="item">' +
'<em>[<a href="http://' + list[j].website.web_url + '" target="_blank">' + list[j].website.web_name + '</a>]</em>' +
'<a href=" ' + content[i].url + '" target="_blank" class="web_url">' + content[i].title + '</a>' +
'</div>';
}
}
}
$('#article_url').html(string);
});
|
上最终效果图：
