PHP实现数据爬虫

一：什么是爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，经常被称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

即打开一个网页，里面有网页内容吧，想象一下，有个工具，可以把网页上的内容获取下来，存到你想要的地方，这个工具就是我们今天的主角：爬虫

在PHP中我们实现数据爬虫一般使用的是数据的正则验证来实现的，下面我这里简单介绍下如何使用正则验证来实现数据爬虫

二：使用curl实现html信息拉取

复制代码

function curl($url)
{
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    //参数为1表示传输数据，为0表示直接输出显示。
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    //参数为0表示不带头文件，为1表示带头文件
    curl_setopt($ch, CURLOPT_HEADER,0);
    $output = curl_exec($ch);
    curl_close($ch);
    return $output;
}

三：正则验证获取需要的信息

复制代码

//$html-被查找的字符串 $tag-被查找的标签 $attr-被查找的属性名 $value-被查找的属性值
function get_tag_data($html,$tag,$attr,$value)
{
    $regex = "/<$tag.*?$attr=\".*?$value.*?\".*?>(.*?)<\/$tag>/is";
    preg_match_all($regex,$html,$matches,PREG_PATTERN_ORDER);
    return $matches[1]; //返回值为数组 查找到的标签内的内容
}

四：简单实现数据爬虫

根据上面的我们就可以获取到指定地址我们需要的指定信息

复制代码

$url = 'xxx';
$content = crul($url);//获取到指定地址的网页信息
$html = get_tag_data($content,'a','class','text');//获取指定标签的信息
echo($html);