近年来,随着互联网的普及,网络爬虫逐渐成为了信息采集的主要手段之一,然而,常规的爬虫技术不稳定、难以维护,市面上的纯web网页爬虫也只能在静态页面上进行操作。而php结合selenium可达到动态爬虫的效果,具有稳定性高、数据采集全面等优点,被广泛应用于爬虫开发中。本文将介绍如何使用php和selenium快速构建自己的网络爬虫系统。
一、Selenium和ChromeDriver的安装
Selenium是一个自动化测试工具,可以对Web应用程序进行自动化测试,其中将浏览器与操作系统分离式地处理,无强制插入代码实现页面渲染。ChromeDriver则是Selenium中调用Chrome浏览器的驱动程序,可以使Selenium直接操作Chrome,从而实现动态页面的爬取。
首先需要在本地安装Chrome浏览器和PHP环境。接着,我们需要安装相应版本的Selenium和ChromeDriver,在命令行中输入以下代码即可安装:
|---|-------------------------------------------|
| 1 | composer ``require
facebook/webdriver
|
然后将ChromeDriver二进制文件(根据自己的本地Chrome版本下载相应版本的ChromeDrive)置于系统Path变量环境中,代码如下:
|-------|-----------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 | $webdriver
= FacebookWebDriverRemoteRemoteWebDriver::create(
``'http://localhost:9515'``, FacebookWebDriverChromeChromeOptions::``class
);
|
二、构建Selenium和ChromeDriver的封装类
Selenium封装类主要用来维护Selenium和ChromeDriver,避免重复创建、销毁,代码如下:
|----------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 | class
Selenium
{
``private
static
$driver``;
``private
static
$selenium``;
``public
static
function
getInstance()
``{
``if
(null === self::``$selenium``) {
``$options
= ``new
ChromeOptions();
``$options``->addArguments([``'--no-sandbox'``,``'--disable-extensions'``,``'--headless'``,``'--disable-gpu'``]);
``self::``$driver
= RemoteWebDriver::create(
``'http://localhost:9515'``,
``DesiredCapabilities::chrome()->setCapability(
``ChromeOptions::CAPABILITY,
``$options
``)
``);
``self::``$selenium
= ``new
self();
``}
``return
self::``$selenium``;
``}
``public
function
__destruct()
``{
``self::``$driver``->quit();
``self::``$selenium
= null;
``}
``public
function
getDriver()
``{
``return
self::``$driver``;
``}
}
|
注意,参数中的ChromeOptions主要是为了在无GUI(图形化界面)下仍能稳定运行,--no-sandbox参数是为了防止在linux系统下运行时报错。
三、创建网页源码解析类
爬虫系统的核心在于解析非静态页面,这里需要创建源码解析类,使用正则表达式或XPath表达式来定位和获取目标节点信息。
|----------------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 | class
PageParser
{
``private
$pageSource``;
``public
function
__construct(string ``$pageSource``)
``{
``$this``->pageSource = ``$pageSource``;
``}
``public
function
parse(string ``$expression``, ``$list
= false)
``{
``if
(``$list``) {
``return
$this``->parseList(``$expression``);
``}
``return
$this``->parseSingle(``$expression``);
``}
``private
function
parseList(string ``$expression``)
``{
``$domXpath
= ``new
DOMXPath(@DOMDocument::loadHTML(``$this``->pageSource));
``$items
= ``$domXpath``->query(``$expression``);
``$result
= [];
``foreach
(``$items
as
$item``) {
``array_push``(``$result``,trim(``$item``->nodeValue));
``}
``return
$result``;
``}
``private
function
parseSingle(string ``$expression``)
``{
``$domXpath
= ``new
DOMXPath(@DOMDocument::loadHTML(``$this``->pageSource));
``$item
= ``$domXpath``->query(``$expression``)->item(0);
``if
(``$item``) {
``return
trim(``$item``->nodeValue);
``}
``return
''``;
``}
}
|
这里主要用到了DOMXPath类和DOMDocument类来解析页面中的HTML节点,分别通过parseList和parseSingle方法来定位和获取多个和一个目标节点的内容。
四、创建爬虫类
最后,我们需要构建一个专门爬取页面内容的爬虫类,代码如下:
|----------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 | class
Spider
{
``private
$selenium``;
``private
$url``;
``public
function
__construct(``$url``)
``{
``$this``->selenium = Selenium::getInstance();
``$this``->url = ``$url``;
``$this``->selenium->getDriver()->get(``$url``);
``sleep(1);
``}
``public
function
__destruct()
``{
``$this``->selenium->getDriver()->close();
``$this``->selenium = null;
``}
``public
function
getContent(``$expression``, ``$list
= false)
``{
``$pageSource
= ``$this``->selenium->getDriver()->getPageSource();
``$parser
= ``new
PageParser(``$pageSource``);
``return
$parser``->parse(``$expression``, ``$list``);
``}
}
|
该类的getContent方法接收两个参数,一个是目标节点的XPath表达式,另一个是是否获取多个内容。 getModelContent函数请求URL并解析节点来获取所需内容,该函数获取结束后关闭浏览器进程。
五、使用示例
最后,我们使用实际例子来说明如何使用这个爬虫类。假设我们需要从一个拥有多个a标签的网页上,爬取a标签中的href属性和文本信息。我们可以通过以下代码来实现:
|-----------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8 | $spider
= ``new
Spider(``'https://www.example.com'``);
$aTags
= ``$spider``->getContent(``'//a'``, true);
foreach
(``$aTags
as
$a``) {
``$href
= ``$a``->getAttribute(``'href'``);
``$text
= ``$a``->nodeValue;
``echo
"``$href
-> ``$text
";
}
|
在以上代码中,首先使用Spider类获取页面源码,然后通过XPath表达式获取多个a标签的节点信息,最后通过getAttribute和nodeValue方法获取每个a标签的href属性和文本。
六、总结
综上所述,本文通过介绍如何使用PHP和Selenium构建网页爬虫系统,并通过实际示例说明如何获取页面中的节点信息,该爬虫具有稳定性高、数据采集全面等优点,具有一定的应用价值。但同时需要注意的是,爬取数据时需要注意合法性和道德性,并遵守相关法律法规。