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

Python数据验证神器Pydantic库的使用和实践中的避坑指南

《Python数据验证神器Pydantic库的使用和实践中的避坑指南》Pydantic是一个用于数据验证和设置的库,可以显著简化API接口开发,文章通过一个实际案例,展示了Pydantic如何在生产环... 目录1️⃣ 崩溃时刻:当你的API接口又双叒崩了!2️⃣ 神兵天降:3行代码解决验证难题3️⃣ 深度

Linux内核定时器使用及说明

《Linux内核定时器使用及说明》文章详细介绍了Linux内核定时器的特性、核心数据结构、时间相关转换函数以及操作API,通过示例展示了如何编写和使用定时器,包括按键消抖的应用... 目录1.linux内核定时器特征2.Linux内核定时器核心数据结构3.Linux内核时间相关转换函数4.Linux内核定时

python中的flask_sqlalchemy的使用及示例详解

《python中的flask_sqlalchemy的使用及示例详解》文章主要介绍了在使用SQLAlchemy创建模型实例时,通过元类动态创建实例的方式,并说明了如何在实例化时执行__init__方法,... 目录@orm.reconstructorSQLAlchemy的回滚关联其他模型数据库基本操作将数据添

Spring配置扩展之JavaConfig的使用小结

《Spring配置扩展之JavaConfig的使用小结》JavaConfig是Spring框架中基于纯Java代码的配置方式,用于替代传统的XML配置,通过注解(如@Bean)定义Spring容器的组... 目录JavaConfig 的概念什么是JavaConfig?为什么使用 JavaConfig?Jav

Java使用Spire.Doc for Java实现Word自动化插入图片

《Java使用Spire.DocforJava实现Word自动化插入图片》在日常工作中,Word文档是不可或缺的工具,而图片作为信息传达的重要载体,其在文档中的插入与布局显得尤为关键,下面我们就来... 目录1. Spire.Doc for Java库介绍与安装2. 使用特定的环绕方式插入图片3. 在指定位

Springboot3 ResponseEntity 完全使用案例

《Springboot3ResponseEntity完全使用案例》ResponseEntity是SpringBoot中控制HTTP响应的核心工具——它能让你精准定义响应状态码、响应头、响应体,相比... 目录Spring Boot 3 ResponseEntity 完全使用教程前置准备1. 项目基础依赖(M

Java使用Spire.Barcode for Java实现条形码生成与识别

《Java使用Spire.BarcodeforJava实现条形码生成与识别》在现代商业和技术领域,条形码无处不在,本教程将引导您深入了解如何在您的Java项目中利用Spire.Barcodefor... 目录1. Spire.Barcode for Java 简介与环境配置2. 使用 Spire.Barco

Android使用java实现网络连通性检查详解

《Android使用java实现网络连通性检查详解》这篇文章主要为大家详细介绍了Android使用java实现网络连通性检查的相关知识,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录NetCheck.Java(可直接拷贝)使用示例(Activity/Fragment 内)权限要求

C# 预处理指令(# 指令)的具体使用

《C#预处理指令(#指令)的具体使用》本文主要介绍了C#预处理指令(#指令)的具体使用,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录1、预处理指令的本质2、条件编译指令2.1 #define 和 #undef2.2 #if, #el

C#中Trace.Assert的使用小结

《C#中Trace.Assert的使用小结》Trace.Assert是.NET中的运行时断言检查工具,用于验证代码中的关键条件,下面就来详细的介绍一下Trace.Assert的使用,具有一定的参考价值... 目录1、 什么是 Trace.Assert?1.1 最简单的比喻1.2 基本语法2、⚡ 工作原理3