（PHP+HTML+JavaScript+Css）一个简单爬虫的开发

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。

<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：

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：

$coding = mb_detect_encoding($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)

$pattern = '|<a[^>]*>(.*)</a>|isU';preg_match_all($pattern, $html, $matches);

匹配的结果在$matches中，它大概是这样的一个多维素组：

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：

$dom = new DOMDocument();@$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：

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：