php爬取页面数据 php抓取网页数据

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;

}

?

相关问答

Q1: 蜘蛛是如何爬取页面内容的？

学过SEO的同学们都知道蜘蛛有两种爬行方式php爬取页面数据：深度和广度，又叫横向抓取和纵向抓取，那么这个蜘蛛到底是怎么运作的呢？

如果真的想要php爬取页面数据了解这方面的东西，就必须要了解程序，数据库，编程语言。以PHP为例，其中有一个函数叫作file_get_contents，这个函数的作用就是获取URL里面的内容，并以文本的方式返回结果，当然也可以用CURL。

然后，就可以利用程序里面的正则表达式，对链接的数据进行提取、合并、去重等复杂操作，并将数据存入数据库。数据库有很多，比如：索引库、收录库等等。

当抓取数据完成上面操作后，自然也就得到了数据库里面不存在的链接，接着，程序会发出另一个指令，抓取这些库里面没存的URL。直致页面全部完成抓取。当然更有可能的是抓取完成后，不再抓取。

在百度站长平台会有抓取频次及抓取时间的数据，你应该可以见到，每个蜘蛛抓取是毫无规律可言，但你通过日常观察可以发现，页面深度越深，被抓取到的概率越低。

蜘蛛虽然有随机性和时效性，但也还是有许多规律可寻，比如流量对于蜘蛛有非常直接的正向作用，所以日常的操作当中你也会发现，一旦有流量进入到站点，蜘蛛也会随着增多，这种蜘蛛表现尤其是在一些违规操作里面表现的更为明显，比如百度刷排名！

Q2: php的curl怎么爬取网页内容

创建一个新cURL资源

设置URL和相应的选项

抓取URL并把它传递给浏览器

关闭cURL资源，并且释放系统资源

代码案例：

关于php爬取页面数据和php抓取网页数据的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。