正文

php处理爬虫数据库 php爬虫数据采集

IP云
IP云V管理员/5 阅读
02/27
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

PHP爬虫用什么类库

它的元素能够添加到数组中肯定已经存在（定义）了，当时我就想这段代码毫无意义，然后又去查了下手册，才知道isset函数的功能：当变量存在且不为空时才返回true。如果一个变量定义了，但是没有赋值，那么默认为空。上面的代码就是找出数组中第一个不为空的变量。

相关问答

Q1: 如何用php 编写网络爬虫

php不太适合用来写网络爬虫,因为几乎没有现成的框架,或者成熟的下载机制,也不太适合做并发处理.

下载页面的话除了一个curl,就是file_get_contents,或者curl_multi来做并发请求.curl可以代理端口,虚假ip,带cookie,带header请求目标页面,下载完成之后解析页面可以用queryList来解析html.写法类似jQuery.

提供给你我之前写的类:curl.php  希望可以帮到你.

QueryList.php和phpQuery.php由于文件太大了,没办法贴上来

?php

class Http {

    public function curlRequest($url, $postData = '', $timeOut = 10, $httpHeader = array()) {

        $handle = curl_init ();

        curl_setopt ( $handle, CURLOPT_URL, $url );

        if ($httpHeader) {

            curl_setopt($handle, CURLOPT_HTTPHEADER, $httpHeader);

        }

        curl_setopt ( $handle, CURLOPT_RETURNTRANSFER, true );

        curl_setopt ( $handle, CURLOPT_HEADER, 0 );                                                                curl_setopt ( $handle, CURLOPT_TIMEOUT, $timeOut );

        curl_setopt ( $handle, CURLOPT_FOLLOWLOCATION, 1 );

        curl_setopt ( $handle, CURLOPT_SSL_VERIFYPEER, false );

        curl_setopt ( $handle, CURLOPT_SSL_VERIFYHOST, false );

        curl_setopt ( $handle, CURLOPT_USERAGENT, 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.93 Safari/537.36');        curl_setopt ( $handle, CURLOPT_ENCODING, 'gzip,deflate,sdch');

        if (! empty ( $postData )) {

            curl_setopt ( $handle, CURLOPT_POST, 1 );

            curl_setopt ( $handle, CURLOPT_POSTFIELDS, $postData);

        }

        $result['response'] = curl_exec ( $handle );

        $result['httpStatus'] = curl_getinfo ( $handle, CURLINFO_HTTP_CODE );

        $result['fullInfo'] = curl_getinfo ( $handle );

        $result['errorMsg'] = '';

        $result['errorNo'] = 0;

        if (curl_errno($handle)) {

            $result['errorMsg'] = curl_error($handle);

            $result['errorNo'] = curl_errno($handle);

        }

        curl_close ( $handle );

        return $result;

    }

}

?

Q2: 你好，我如何用php来实现网络爬虫呢？具体一点

以下是访问某音乐网站，并获取其歌曲名等数组的示例，你可以参考：

?php

header('Content-type:text/html;charset=utf-8');

$doc = file_get_contents('');

$pa = '{MSL\((.*)\);}';

preg_match_all($pa,$doc,$r);

for($i=0;$icount($r[1]);$i++)

{

$r1 = explode(', ',$r[1][$i]);

echo '歌曲标题：'. iconv('gb2312','utf-8',$r1[0]) .' 歌曲ID：'.$r1[1].'br/';

}

?

Q3: php中curl爬虫 怎么样通过网页获取所有链接

本文承接上面两篇，本篇中的示例要调用到前两篇中的函数，做一个简单的URL采集。一般php采集网络数据会用file_get_contents、file和cURL。不过据说cURL会比file_get_contents、file更快更专业，更适合采集。今天就试试用cURL来获取网页上的所有链接。示例如下：

?php

/*

* 使用curl 采集hao123.com下的所有链接。

*/

include_once('function.php');

$ch = curl_init();

curl_setopt($ch, CURLOPT_URL, '');

// 只需返回HTTP header

curl_setopt($ch, CURLOPT_HEADER, 1);

// 页面内容我们并不需要

// curl_setopt($ch, CURLOPT_NOBODY, 1);

// 返回结果，而不是输出它

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

$html = curl_exec($ch);

$info = curl_getinfo($ch);

if ($html === false) {

echo "cURL Error: " . curl_error($ch);

}

curl_close($ch);

$linkarr = _striplinks($html);

// 主机部分，补全用

$host = '';

if (is_array($linkarr)) {

foreach ($linkarr as $k = $v) {

$linkresult[$k] = _expandlinks($v, $host);

}

}

printf("p此页面的所有链接为：/ppre%s/pren", var_export($linkresult , true));

?

function.php内容如下（即为上两篇中两个函数的合集）：

?php

function _striplinks($document) {

preg_match_all("'s*as.*?hrefs*=s*(["'])?(?(1) (.*?)\1 | ([^s]+))'isx", $document, $links);

// catenate the non-empty matches from the conditional subpattern

while (list($key, $val) = each($links[2])) {

if (!empty($val))

$match[] = $val;

} while (list($key, $val) = each($links[3])) {

if (!empty($val))

$match[] = $val;

}

// return the links

return $match;

}

/*===================================================================*

Function: _expandlinks

Purpose: expand each link into a fully qualified URL

Input: $links the links to qualify

$URI the full URI to get the base from

Output: $expandedLinks the expanded links

*===================================================================*/

function _expandlinks($links,$URI)

{

$URI_PARTS = parse_url($URI);

$host = $URI_PARTS["host"];

preg_match("/^[^?]+/",$URI,$match);

$match = preg_replace("|/[^/.]+.[^/.]+$|","",$match[0]);

$match = preg_replace("|/$|","",$match);

$match_part = parse_url($match);

$match_root =

$match_part["scheme"]."://".$match_part["host"];

$search = array( "|^http://".preg_quote($host)."|i",

"|^(/)|i",

"|^(?!http://)(?!mailto:)|i",

"|/./|",

"|/[^/]+/../|"

);

$replace = array( "",

$match_root."/",

$match."/",

"/",

"/"

);

$expandedLinks = preg_replace($search,$replace,$links);

return $expandedLinks;

}

?

Q4: 如何用PHP做网络爬虫

其实用PHP来爬会非常方便php处理爬虫数据库，主要是PHPphp处理爬虫数据库的正则表达式功能在搜集页面连接方面很方便php处理爬虫数据库，另外PHPphp处理爬虫数据库的fopen、file_get_contents以及libcurphp处理爬虫数据库的函数非常方便的下载网页内容。

具体处理方式就是建立就一个任务队列，往队列里面插入一些种子任务和可以开始爬行，爬行的过程就是循环的从队列里面提取一个URL，打开后获取连接插入队列中，进行相关的保存。队列可以使用数组实现。

当然PHP作为但线程的东西，慢慢爬还是可以，怕的就是有的URL打不开，会死在那里。

Q5: 如何用php 编写网络爬虫?

pcntl_fork或者swoole_process实现多进程并发。按照每个网页抓取耗时500ms，开200个进程，可以实现每秒400个页面的抓取。

curl实现页面抓取，设置cookie可以实现模拟登录

simple_html_dom 实现页面的解析和DOM处理

如果想要模拟浏览器，可以使用casperJS。用swoole扩展封装一个服务接口给PHP层调用

在这里有一套爬虫系统就是基于上述技术方案实现的，每天会抓取几千万个页面。

php处理爬虫数据库的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于php爬虫数据采集、php处理爬虫数据库的信息别忘了在本站进行查找喔。