详解使用PHP编写爬虫的方法

说到爬虫，大家的第一印象就会想到Python， 但是Python并不是所有人都会的， 那么是否可以使用其他的语言来编写爬虫呢？ 当然是可以的，下面介绍一下如何使用PHP编写爬虫。

获取页面html内容

1、使用函数 file_get_contents 把整个文件读入一个字符串中。

file_get_contents(path,include_path,context,start,max_length);file_get_contents('https://fengkui.net/');

这样就可以将整个页面的html内容，读入一个字符串中，然后进行解析了

2、使用CURL进行请求，获取html

/** * [curlHtml 获取页面信息] * @param  [type] $url [网址] * @return [type]      [description] */function curlHtml($url){    $curl = curl_init();    curl_setopt_array($curl, array(        CURLOPT_URL            => "{$url}",        CURLOPT_RETURNTRANSFER => true,        CURLOPT_ENCODING       => "",        CURLOPT_MAXREDIRS      => 10,        CURLOPT_TIMEOUT        => 30,        CURLOPT_HTTP_VERSION   => CURL_HTTP_VERSION_1_1,        CURLOPT_CUSTOMREQUEST  => "GET",        CURLOPT_HTTPHEADER     => array(            "Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",            "Accept-Encoding: gzip, deflate, br",            "Accept-Language: zh-CN,zh;q=0.9",            "Cache-Control: no-cache",            "Connection: keep-alive",            "Pragma: no-cache",            "Upgrade-Insecure-Requests: 1",            "User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36",            "cache-control: no-cache"        ),    ));    curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);    curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);    $response = curl_exec($curl);    $err = curl_error($curl);    curl_close($curl);    if ($err) return false;    else return $response;}

使用Curl我们可以来进行其他操作，如模拟浏览器模拟登陆等一些高级操作。

解析页面HTML，获取所需数据

1、正则获取内容

/** * [get_tag_data 使用正则获取html内容] * @param  [type] $html  [爬取的页面内容] * @param  [type] $tag   [要查找的标签] * @param  [type] $attr  [要查找的属性名] * @param  [type] $value [属性名对应的值] * @return [type]        [description] */function get_tag_data($html,$tag,$attr,$value){    $regex = "/<$tag.*?$attr=\".*?$value.*?\".*?>(.*?)<\/$tag>/is";    preg_match_all($regex,$html,$matches,PREG_PATTERN_ORDER);    $data = isset($matches[1][0]) ? $matches[1][0] : '';    return $data;}$str = '<div class="feng">冯奎博客</div>';$value = get_tag_data($str, 'div', 'class', 'feng');

2、使用Xpath解析数据

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。 具体使用方法及相关介绍查看百度百科（XPath） 使用方法：

/** * [get_html_data 使用xpath对获取到的html内容进行处理] * @param  [type]  $html [爬取的页面内容] * @param  [type]  $path [Xpath语句] * @param  integer $tag  [类型 0内容 1标签内容 自定义标签] * @param  boolean $type [单个 还是多个（默认单个时输出单个）] * @return [type]        [description] */function get_html_data($html,$path,$tag=1,$type=true){    $dom = new \DOMDocument();    @$dom->loadHTML("<?xml encoding='UTF-8'>" . $html); // 从一个字符串加载HTML并设置UTF8编码    $dom->normalize(); // 使该HTML规范化    $xpath = new \DOMXPath($dom); //用DOMXpath加载DOM，用于查询    $contents = $xpath->query($path); // 获取所有内容    $data = [];    foreach ($contents as $value) {        if ($tag==1) {            $data[] = $value->nodeValue; // 获取不带标签内容        } elseif ($tag==2) {            $data[] = $dom->saveHtml($value);  // 获取带标签内容        } else {            $data[] = $value->attributes->getNamedItem($tag)->nodeValue; // 获取attr内容        }    }    if (count($data)==1) {        $data = $data[0];    }    return $data;}