php爬虫实践

之前用nodejs的cheerio来做，不过nodejs的异步回掉太恶心了，受不了。

后来发现了php的htmlpagedom库，类似jquery的选择器语法，而且支持中文。

安装  composer install wa72/htmlpagedom

1、读取一个简单的网页，如：

require 'vendor/autoload.php';

use Wa72HtmlPageDomHtmlPageCrawler;

$url = "http://news.cnblogs.com/";

$dom = HtmlPageCrawler::create(file_get_contents($url));

print $dom->text(); //输出内容

2、如何分析，使用jquery选择器语法，可以参考

如提取博客园新闻首页第一页的所有链接，结构如下

$news_list = $dom->filter("#news_list");
$news_entry =$news_list->filter(".news_entry");
$urls = [];
$i = 0;
$url_cnt = $news_entry->count();
//print $url_cnt; 30条，在浏览器里查找“发布于”是30，证明是正确的
while ($i<$url_cnt){
    $urls[] = $news_entry->eq($i)->filter('a')->eq(0)->attr("href");
    ++$i;
}

可能有人疑问，为啥不用foreach

因为$news_entry->children() 返回的是DOMElement，而不是HtmlPageCrawler，不能使用filter，还要继续用HtmlPageCrawler::create()。

3、提取新闻正文

$content = HtmlPageCrawler::create(file_get_contents($url.$urls[0]));

print $content->filter("#news_body")->text();

4、说明

有些网站的内容可能不是utf8的这时就要用iconv转码了

可以写个函数封装一下,$base根url，因为很多情况下链接是相对的。

function httpGet($url, $base = null) {

    if (!$base) {
        $url .= $base;
    }
    $html = file_get_contents($url);
    $encode = mb_detect_encoding($html, "gbk,utf-8");
    if (stripos($encode, "utf") !== false) {
        return HtmlPageCrawler::create($html);
    } else {
        $utf_html = iconv("gbk", "utf-8", $html);
        return HtmlPageCrawler::create($utf_html);
    }
}

如果用html()函数获取html则输出的都是html实体编码，可以用html_entity_decode

另外可以用strip_tags 来去除html里的某些标签。

id是唯一的，而class和标签都不是唯一的，所以获取class和标签，就算只有一个也要用eq(0)还获取

jquery有个has函数判断是否存在某个标签，而HtmlPageCrawler缺少这个，于是手工添加了一个。

在HtmlPageCrawler.php的hasClass函数下面，添加如下代码

    public function has($name) {
        foreach ($this->children() as $node){
             if ($node instanceof DOMElement) {
                $tagName = $node->tagName;
                if (stripos($tagName, $name) !== false) {
                    return true;
                }
            }
        }
        return false;
    }