phpjs爬虫

‘壹’ 如何用php做网络爬虫

其实用PHP来爬会非常方便，主要是PHP的正则表达式功能在搜集页面连接方面很方便，另外PHP的fopen、file_get_contents以及libcur的函数非常方便的下载网页内容。

‘贰’ 如何用php抓取js生成的页面

简单的说，做不到。
如果要抓取JS生成的页面，可以考虑用PhantomJS。
其原理大概就是在你的服务器上开了一个webkit内核的浏览器，然后在浏览器里面打开页面，在页面load之后，你可以通过API获取页面上的DOM，同时也可以进行点击之类的操作。

如何使用，不是这里面能说清楚的。还是自己差一些资料吧。

‘叁’ PHP, python, Node.js 哪个比较适合写爬虫

我觉得做爬虫肯定需要后台技术的支持，和自己的对很多技术的理解和掌握吧，然后就是需要自己去找资料，去请教有经验的人。

1、如果是定向爬取几个页面，做一些简单的页面解析，爬取效率不是核心要求，那么用什么语言差异不大。 此种情况下，如果还需要做js动态内容的解析，casperjs就不适合了，只有基于诸如chrome V8引擎之类自己做js引擎。
至于C、C++虽然性能不错，但不推荐，尤其是考虑到成本等诸多因素；对于大部分公司还是建议基于一些开源的框架来做，不要自己发明轮子，做一个简单的爬虫容易，但要做一个完备的爬虫挺难的。

‘肆’ 网页内容是由javascript或者php用爬虫有何不同

javascript是浏览器脚本，php是服务器脚本。你可以查看js的代码，但不能查看php的代码。抓取网页的时候php网页的内容显得更干净，而js网页还要过滤掉js代码。

‘伍’ php 实现网络爬虫

1. pcntl_fork或者swoole_process实现多进程并发。按照每个网页抓取耗时500ms，开200个进程，可以实现每秒400个页面的抓取。

2. curl实现页面抓取，设置cookie可以实现模拟登录

3. simple_html_dom 实现页面的解析和DOM处理

4. 如果想要模拟浏览器，可以使用casperJS。用swoole扩展封装一个服务接口给PHP层调用

在这里有一套爬虫系统就是基于上述技术方案实现的，每天会抓取几千万个页面。

‘陆’ 如何用php 编写网络爬虫

php不太适合用来写网络爬虫,因为几乎没有现成的框架,或者成熟的下载机制,也不太适合做并发处理.

下载页面的话除了一个curl,就是file_get_contents,或者curl_multi来做并发请求.curl可以代理端口,虚假ip,带cookie,带header请求目标页面,下载完成之后解析页面可以用queryList来解析html.写法类似jQuery.

提供给你我之前写的类:curl.php 希望可以帮到你.

QueryList.php和phpQuery.php由于文件太大了,没办法贴上来

<?php
classHttp{
publicfunctioncurlRequest($url,$postData='',$timeOut=10,$httpHeader=array()){
$handle=curl_init();
curl_setopt($handle,CURLOPT_URL,$url);
if($httpHeader){
curl_setopt($handle,CURLOPT_HTTPHEADER,$httpHeader);
}
curl_setopt($handle,CURLOPT_RETURNTRANSFER,true);
curl_setopt($handle,CURLOPT_HEADER,0);curl_setopt($handle,CURLOPT_TIMEOUT,$timeOut);
curl_setopt($handle,CURLOPT_FOLLOWLOCATION,1);
curl_setopt($handle,CURLOPT_SSL_VERIFYPEER,false);
curl_setopt($handle,CURLOPT_SSL_VERIFYHOST,false);
curl_setopt($handle,CURLOPT_USERAGENT,'Mozilla/5.0(Macintosh;IntelMacOSX10_7_2)AppleWebKit/537.36(KHTML,likeGecko)Chrome/27.0.1453.93Safari/537.36');curl_setopt($handle,CURLOPT_ENCODING,'gzip,deflate,sdch');
if(!empty($postData)){
curl_setopt($handle,CURLOPT_POST,1);
curl_setopt($handle,CURLOPT_POSTFIELDS,$postData);
}
$result['response']=curl_exec($handle);
$result['httpStatus']=curl_getinfo($handle,CURLINFO_HTTP_CODE);
$result['fullInfo']=curl_getinfo($handle);
$result['errorMsg']='';
$result['errorNo']=0;
if(curl_errno($handle)){
$result['errorMsg']=curl_error($handle);
$result['errorNo']=curl_errno($handle);
}
curl_close($handle);
return$result;
}
}
?>

‘柒’ php怎么用爬虫解析网页上js生成的图片

道理上讲不可行，不管是PHP还是python，爬虫技术用于抓取网页解析内容和静态内容，也就是在浏览器不解析js脚本时的网页内容，因为js脚本解析需要用到浏览器内置的js解析程序，而php和python简单爬虫都做不到这一点，如果是自己的网站抓取，用异步提交放到缓存里让后台脚本处理，如果是别人的网站就不用考虑了。爬虫程序要加上完整的脚本解析程序，还要保证定向抓取不拿到垃圾数据，当然如果你能做到这些，就可以去网络工作了

‘捌’ 用php 怎么抓取js+ajax动态生成的页面内容

第一步，查看网页源代码，找到ajax请求的URL。
比如，js代码为：
$.ajax({
url: 'ajax.php?id=100',
data: {ad_num:num,ad_str:str,cart_update_time:cart_update_time},
type: 'POST',
dataType: 'text',
async : false,
success: function(data){

}
其中的ajax.php?id=100就是ajax请求的URL。

第二步，拼接URL，用网站的域名加上这个找到的请求路径。
比如，网站域名为： www.abc.com 拼接后的URL为：www.abc.com/ajax.php?id=100

第三步，用PHP读取第二步拼接出的URL即可。