使用CURL构建爬虫,抓取百度百科内容

2024-06-23 06:58

本文主要是介绍使用CURL构建爬虫,抓取百度百科内容,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

实现这个功能的步骤:

1、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;

2、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链接url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;

3、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;

4、然后再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。

当然,本程序不是严格意义上的网络爬虫,其实有了以上的基础,能够写一个真正意义上的爬虫还是可以的。做法就是:首先给出一堆不同的网页链接(种子队列),利用curl函数抓取页面,把遇到的超链接放入之后将要抓取页面的url队列中,把已抓取过的url放入已抓取的url队列中,这样一直循环下去,直到将要抓取的url队列被抽空为止。

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:

<?phprequire 'func.curl.php';require 'func.mysql.php';//CURLif (isset($_GET['action'])){$_key=$_POST['key'];$_ch=curl_init();curl_setopt($_ch,CURLOPT_URL,"http://baike.baidu.com/search?word=".$_key);curl_setopt($_ch,CURLOPT_RETURNTRANSFER,1);$_output=curl_exec($_ch);curl_close($_ch);if(preg_match_all('/(http\:\/\/baike\.baidu\.com.*)\"\s/',$_output,$_url)){$_res=curl($_url[1]);$_title=array();$_content=array();for ($_i=0;$_i<count($_res);$_i++){if (preg_match_all('/lemmaTitleH1\"\>(.*?)\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');}}
?>  
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf8" />
<title>模拟搜索引擎</title>
<link type="text/css" rel="stylesheet" href="curl.css"/>
</head>
<body><div id="header"><form method="post" action="?action=search"><input type="text" name="key" value="请输入关键字" class="text"/><input type="submit" name="submit" value="搜索" class="submit"/></form></div><div id="content"><table><?php for ($i=0;$i<count($_title);$i++){?><tr><td class="title"><a href="<?php echo $_url[1][$i];?>" target="_blank"><?php echo $_title[$i];?></a></td></tr><tr><td class="content"><?php echo $_content[$i][0]?></td></tr><?php }?></table></div>
<script type="text/javascript">var key=document.getElementsByName('key')[0];key.οnfοcus=function(){this.value='';};key.οnblur=function(){if(this.value==""){this.value="请输入关键字";}};
</script>
</body>
</html>
func.curl.php的代码:
<?php
//curl批处理函数
function curl($connomains){$mh = curl_multi_init();foreach ($connomains as $i => $url) {$conn[$i] = curl_init("$url");curl_setopt($conn[$i], CURLOPT_RETURNTRANSFER, 1);curl_multi_add_handle ($mh,$conn[$i]);}// start performing the requestdo {$mrc = curl_multi_exec($mh, $active);} while ($mrc == CURLM_CALL_MULTI_PERFORM);while ($active and $mrc == CURLM_OK) {// wait for networkif (curl_multi_select($mh) != -1) {// pull in any new data, or at least handle timeoutsdo {$mrc = curl_multi_exec($mh, $active);} while ($mrc == CURLM_CALL_MULTI_PERFORM);}}// retrieve dataforeach ($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:
<?php
function inserInfo($_title,$_content,$_content_extra,$_keywords){$_mysql=mysql_connect('localhost','root','123') or die('数据库连接错误');mysql_select_db('baike',$_mysql);mysql_query('set names utf8');mysql_query("INSERT INTO info (title,content,content_extra,keywords)VALUES('$_title','$_content','$_content_extra','$_keywords')");  mysql_close();          
}
?>


这篇关于使用CURL构建爬虫,抓取百度百科内容的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1086453

相关文章

百度/小米/滴滴/京东,中台架构比较

小米中台建设实践 01 小米的三大中台建设:业务+数据+技术 业务中台--从业务说起 在中台建设中,需要规范化的服务接口、一致整合化的数据、容器化的技术组件以及弹性的基础设施。并结合业务情况,判定是否真的需要中台。 小米参考了业界优秀的案例包括移动中台、数据中台、业务中台、技术中台等,再结合其业务发展历程及业务现状,整理了中台架构的核心方法论,一是企业如何共享服务,二是如何为业务提供便利。

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了