php抓取网页

最近有个抓取网页新闻的任务，做完了总结一下。

一、抓取网页内容

1.方法一：file_get_contents

    例：
    $list_data = file_get_contents( 'http://dangjian.people.com.cn/GB/394443/index1.html' );
    $list_data = mb_convert_encoding($list_data, 'utf-8','GB2312');
    echo $list_data;

2.方法二：curl

    例：
    $url = "http://dangjian.people.com.cn/GB/394443/index.html";

    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt( $ch, CURLOPT_RETURNTRANSFER, 1 );
    curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
    curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, false);//设置为false以避开ssl证书检查

    $res = curl_exec($ch);
    echo $res;

    curl_close($ch);

二、获取列表

    方法：preg_match_all($pattern,$subject,$out)
    执行一个全局正则表达式匹配：匹配正则，被搜索字符串，输出的变量
    
    例：
    preg_match_all( '/<li><a href=\'(.*?)\' target=_blank>(.*?)<\/a>  <i>(.*?)<\/i><\/li>/i', $list_data, $list_data_res );
    echo $list_data_res[1];

三、获取标题、内容

a.再使用file_get_contents或者curl方法获取一条新闻详情
b.preg_match:执行一个正则表达式匹配

1.获取标题

    例：
    preg_match( '/<h1>(.*?)<\/h1>/i', $html_data, $title );
    $title = $title[1];

2.获取内容

    preg_match( '/<div class="show_text">(.*?)<\/div>/i', $html_data, $content );
    $content = $content[0];

四、Tip

1.当我第一次抓取列表内容时，发生了乱码，使用mb_convert_encoding解决

2.我在抓取内容的时候，一直都抓取不到，后来发现html源文件由于换行符、制表符、回车等的存在会造成无法匹配，使用preg_replace解决

3.匹配tip

    a.注意/一定要被转义成\/，单引号也需要转义
    b.正则表达式用单引号'和/作为开始和结束的标界
    c.换行符、制表符、回车等等的存在会造成无法匹配

4.使用preg_match和preg_match_all的区别

    preg_match只匹配一次
    preg_match_all是全文匹配，即所有跟表达式一致的都找出来。

5.preg_replace():执行一个正则表达式的搜索和替换

参考网址：https://www.runoob.com/php/php-preg_replace.html

    例：
    $string = 'google 123, 456';
    $pattern = '/(\w+) (\d+), (\d+)/i';
    $replacement = 'runoob ${2},$3';
    echo preg_replace($pattern, $replacement, $string);

    结果：
    runoob 123,456

五、附上源码

抓取demo:

    public function testArticle(){
        $url = "http://dangjian.people.com.cn/GB/394443/index.html";//网址

        $list_data = Helper::curl_get($url);
        $list_data = mb_convert_encoding($list_data, 'utf-8','GB2312');//所有内容

        preg_match_all( '/<li><a href=\'(.*?)\' target=_blank>(.*?)<\/a>  <i>(.*?)<\/i><\/li>/i', $list_data, $list_data_res );
        $link = $list_data_res[1][0];//列表中其中一个链接

        $content_url = "http://dangjian.people.com.cn{$link}";//内容页地址

        $html_data = Helper::curl_get($content_url);
        $html_data = mb_convert_encoding($html_data, 'utf-8','GB2312');//解决乱码问题

        preg_match( '/<h1>(.*?)<\/h1>/i', $html_data, $title );
        $title = $title[1];//标题
        print_r($title);

        $html_data=preg_replace("/[\t\n\r]+/","",$html_data);//解决符号影响无法匹配
        preg_match( '/<div class="show_text">(.*?)<\/div>/i', $html_data, $content );//内容

        $content = $content[0];
        print_r($content);

  }

curl方法：

public static function curl_get( $url ){
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt( $ch, CURLOPT_RETURNTRANSFER, 1 );
    curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
    curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, false);//设置为false以避开ssl证书检查

    $res = curl_exec($ch);
    curl_close($ch);
    return $res;

}