使用CURL构建爬虫，抓取百度百科内容

来源：互联网发布：js中文转unicode编码编辑：程序博客网时间：2024/05/21 08:58

实现这个功能的步骤：

1、首先打开百度百科，在搜索框输入“php”关键词，得到搜索列表，一般都是10条；

2、然后使用火狐的Firebug分析百度列表的内容组成，主要是html标签，发现去向百科内容的链接url的格式都是http://baike.baidu.com/view/5721060.htm，于是使用正则匹配链接，得到10条链接；

3、之后把链接交由curl（）批处理函数（自定义）处理，得到结果页面的内容；

4、然后再对内容页面进行分析，找出你想要的内容，本程序抓取的是标题以及简介；最后，把结果呈现在tabel标签中。

当然，本程序不是严格意义上的网络爬虫，其实有了以上的基础，能够写一个真正意义上的爬虫还是可以的。做法就是：首先给出一堆不同的网页链接（种子队列），利用curl函数抓取页面，把遇到的超链接放入之后将要抓取页面的url队列中，把已抓取过的url放入已抓取的url队列中，这样一直循环下去，直到将要抓取的url队列被抽空为止。

此外，我还把抓取的数据写入了数据库中。

所有的代码如下：

程序名为curl.php的代码:

<?php    require 'func.curl.php';    require 'func.mysql.php';    //CURL    if (isset($_GET['action'])){        $_key=$_POST['key'];        $_ch=curl_init();        curl_setopt($_ch,CURLOPT_URL,"http://baike.baidu.com/search?word=".$_key);        curl_setopt($_ch,CURLOPT_RETURNTRANSFER,1);        $_output=curl_exec($_ch);        curl_close($_ch);        if(preg_match_all('/(http\:\/\/baike\.baidu\.com.*)\"\s/',$_output,$_url)){            $_res=curl($_url[1]);            $_title=array();            $_content=array();            for ($_i=0;$_i<count($_res);$_i++){                if (preg_match_all('/lemmaTitleH1\"\>(.*?)\s*\<\/div\>/',$_res[$_i],$_arr)){                    //标题                    $_title[$_i]=strip_tags($_arr[1][0]);                    if (preg_match_all('/para\"\>(.*?)\s*\<\/div\>/',$_res[$_i],$_arr)){                        //内容                        $_content[$_i][0]=strip_tags($_arr[1][0]);                        $_content[$_i][1]=strip_tags($_arr[1][1]);                        //插入数据库                        inserInfo($_title[$_i],$_content[$_i][0],$_content[$_i][1],$_key);                    }                }            }        }else{            exit('无匹配结果');        }    }?>  <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"><html xmlns="http://www.w3.org/1999/xhtml"><head><meta http-equiv="Content-Type" content="text/html; charset=utf8" /><title>模拟搜索引擎</title><link type="text/css" rel="stylesheet" href="curl.css"/></head><body>    <div id="header">        <form method="post" action="?action=search">            <input type="text" name="key" value="请输入关键字" class="text"/>            <input type="submit" name="submit" value="搜索" class="submit"/>        </form>    </div>    <div id="content">        <table>        <?php for ($i=0;$i<count($_title);$i++){?>        <tr><td class="title"><a href="<?php echo $_url[1][$i];?>" target="_blank"><?php echo $_title[$i];?></a></td></tr>        <tr><td class="content"><?php echo $_content[$i][0]?></td></tr>        <?php }?>        </table>    </div><script type="text/javascript">    var key=document.getElementsByName('key')[0];    key.onfocus=function(){            this.value='';        };    key.onblur=function(){            if(this.value==""){                    this.value="请输入关键字";                }        };</script></body></html>

func.curl.php的代码：

<?php//curl批处理函数function curl($connomains){                $mh = curl_multi_init();                foreach ($connomains as $i => $url) {     $conn[$i] = curl_init("$url");     curl_setopt($conn[$i], CURLOPT_RETURNTRANSFER, 1);     curl_multi_add_handle ($mh,$conn[$i]);    }                // start performing the request    do {     $mrc = curl_multi_exec($mh, $active);    } while ($mrc == CURLM_CALL_MULTI_PERFORM);                while ($active and $mrc == CURLM_OK) {     // wait for network     if (curl_multi_select($mh) != -1) {     // pull in any new data, or at least handle timeouts     do {     $mrc = curl_multi_exec($mh, $active);     } while ($mrc == CURLM_CALL_MULTI_PERFORM);     }    }    // retrieve data    foreach ($connomains as $i => $url) {     if (($err = curl_error($conn[$i])) == '') {     $res[$i]=curl_multi_getcontent($conn[$i]);     } else {     print "Curl error on handle $i: $err\n";     }     curl_multi_remove_handle($mh,$conn[$i]);     curl_close($conn[$i]);    }    curl_multi_close($mh);                return $res;            }?>

func.mysql.php的代码为：

<?phpfunction inserInfo($_title,$_content,$_content_extra,$_keywords){        $_mysql=mysql_connect('localhost','root','123') or die('数据库连接错误');        mysql_select_db('baike',$_mysql);        mysql_query('set names utf8');                   mysql_query("INSERT INTO info (title,content,content_extra,keywords)                VALUES(                        '$_title',                        '$_content',                        '$_content_extra',                        '$_keywords'                        )                               ");          mysql_close();          }?>

0 0