下面来看一个php模仿百度spider蜘蛛爬虫程序例子,这个代码写得比较高级了我就不分析了,大家有需要的可以进入参考一下吧.
自己用PHP写了个爬虫,基本功能已经实现,有兴趣的可以试试
脚本缺点:1.未对静态页面进行去重处理,2.未对页面内js操作后的结果进行处理
php模仿百度spider蜘蛛爬虫程序例子代码如下:
\'\"\ ]*).*?>/", $spider_page_result, $out);
if ($get_url_result) {
return $out[1];
} else {
return;
}
}
//相对路径转绝对路径
function xdtojd($base_url, $url_list) {
if (is_array($url_list)) {
foreach ($url_list as $url_item) {
if (preg_match("/^(http:\/\/|https:\/\/|javascript：)/", $url_item)) {
$result_url_list[] = $url_item;
} else {
if (preg_match("/^\//", $url_item)) {
$real_url = $base_url . $url_item;
} else {
$real_url = $base_url . "/" . $url_item;
}
//$real_url = 'http://www.sumpay.cn/'.$url_item;
$result_url_list[] = $real_url;
}
}
return $result_url_list;
} else {
return;
}
}
//删除其他站点url
function other_site_url_del($jd_url_list, $url_base) {
if (is_array($jd_url_list)) {
foreach ($jd_url_list as $all_url) {
echo $all_url;
if (strpos($all_url, $url_base) === 0) {
$all_url_list[] = $all_url;
}
}
return $all_url_list;
} else {
return;
}
}
//删除相同URL
function url_same_del($array_url) {
if (is_array($array_url)) {
$insert_url = array();
$pizza = file_get_contents("/tmp/url.txt");
if ($pizza) {
$pizza = explode("\r\n", $pizza);
foreach ($array_url as $array_value_url) {
if (!in_array($array_value_url, $pizza)) {
$insert_url[] = $array_value_url;
}
}
if ($insert_url) {
foreach ($insert_url as $key => $insert_url_value) {
//这里只做了参数相同去重处理
$update_insert_url = preg_replace('/=[^&]*/', '=leesec', $insert_url_value);
foreach ($pizza as $pizza_value) {
$update_pizza_value = preg_replace('/=[^&]*/', '=leesec', $pizza_value);
if ($update_insert_url == $update_pizza_value) {
unset($insert_url[$key]);
continue;
}
}
}
}
} else {
$insert_url = array();
$insert_new_url = array();
$insert_url = $array_url;
foreach ($insert_url as $insert_url_value) {
$update_insert_url = preg_replace('/=[^&]*/', '=leesec', $insert_url_value);
$insert_new_url[] = $update_insert_url;
}
$insert_new_url = array_unique($insert_new_url);
foreach ($insert_new_url as $key => $insert_new_url_val) {
$insert_url_bf[] = $insert_url[$key];
}
$insert_url = $insert_url_bf;
}
return $insert_url;
} else {
return;
}
}
$current_url = $argv[1];
$fp_puts = fopen("/tmp/url.txt", "ab"); //记录url列表
$fp_gets = fopen("/tmp/url.txt", "r"); //保存url列表
$url_base_url = parse_url($current_url);
if ($url_base_url['scheme'] == "") {
$url_base = "http://" . $url_base_url['host'];
} else {
$url_base = $url_base_url['scheme'] . "://" . $url_base_url['host'];
}
do {
$spider_page_result = curl_get($current_url);
//var_dump($spider_page_result);
$url_list = get_page_urls($spider_page_result, $url_base);
//var_dump($url_list);
if (!$url_list) {
continue;
}
$jd_url_list = xdtojd($url_base, $url_list);
//var_dump($jd_url_list);
$result_url_arr = other_site_url_del($jd_url_list, $url_base);
var_dump($result_url_arr);
$result_url_arr = url_same_del($result_url_arr);
//var_dump($result_url_arr);
if (is_array($result_url_arr)) {
$result_url_arr = array_unique($result_url_arr);
foreach ($result_url_arr as $new_url) {
fputs($fp_puts, $new_url . "\r\n");
}
}
} while ($current_url = fgets($fp_gets, 1024)); //不断获得url
preg_match_all("/]+href=[\"']([^\"']+)[\"'][^>]+>/", $spider_page_result, $out);
// echo a href
//var_dump($out[1]);
?> 立即学习“PHP免费学习笔记（深入）”；
