网站建设资讯

NEWS

网站建设资讯

使用CURL构建爬虫,抓取百度百科内容

实现这个功能的步骤:

创新互联于2013年创立,先为商南等服务建站,商南等地企业,进行企业商务咨询服务。为商南企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。

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;

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连接的格式都是http://baike.baidu.com/view/5721060.htm,于是使用正则匹配链接,得到10条链接;

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;

然后在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。

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:

(.*?)\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');
        }
    }
?>   




模拟搜索引擎



    
    

func.curl.php的代码:

 $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:


网站题目:使用CURL构建爬虫,抓取百度百科内容
标题来源:http://cdweb.net/article/igsigg.html