㈠ 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;
}
}
?>
㈡ 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。
㈢ 求一个简易的php爬虫提取网页的title
header("Content-Type: text/html; charset=gbk");
$url = "http://www..com/";
$fcontents = file_get_contents($url);
if (ereg("<title>(.*)</title>", $fcontents, $regs)){echo "ok";}else{echo "error";}
echo "<br>";
print_r($regs);
㈣ 你好，我如何用php来实现网络爬虫呢具体一点
以下是访问某音乐网站，并获取其歌曲名等数组的示例，你可以参考：
<?php
header('Content-type:text/html;charset=utf-8');
$doc = file_get_contents('http://www.songtaste.com/music/');
$pa = '{MSL\((.*)\);}';
preg_match_all($pa,$doc,$r);
for($i=0;$i<count($r[1]);$i++)
{
$r1 = explode(', ',$r[1][$i]);
echo '歌曲标题：'. iconv('gb2312','utf-8',$r1[0]) .' 歌曲ID：'.$r1[1].'<br/>';
}
?>
㈤ php实现网络爬虫
只要包含网络和字符串处理功能的编程语言理论上都可以写爬虫，所以PHP当然完全没问题。如何用PHP写爬虫的前提是你要先调研清楚爬什么内容。这需要你针对要爬取目标做好充分的测试和准备工作，丛简否则会浪费很多时间。
比如一个简单的“传统型”网站，那真的只需要用file_get_contents函数加正则就能搞定。觉的正则匹配数据太麻烦可以上xpath。如果站点有了频率和IP限制，这时就要额外准备好代理IP池了。当发现抓取内容是JS渲染的，可能要考虑引入headlessbrowser这种技术的PHP扩展了。对爬取效率有闹郑物了要求后，多线程，抓取和解析分离，分布式也是要考虑的了。。。
回到问题本身如何写的问题，我个人觉得爬虫是个定制化比较液液高的业务需求，需要根据具体的场景来规划。如果是要写一个能解决所有爬虫场景的，那就不用自己写了，成熟的开源软件拿来直接用就行了。非要写的话可以直接参考这些成熟的软件，自己可以少踩很多坑。
㈥ 用python爬虫可以爬过去的网站吗
首先我们要知道什么是爬虫？爬虫就是一个自动抓取网页数据的程序，是搜索引擎的重要组成部分。通过计算机程序在网络不断通过定制的入口网址去提取网页的链接，并根据这些链接再度抓取提取更深的其它未知的链接，以此下去,最终获取想要的内容。
接下来我们态咐就要思考如何用爬虫抓取网页数据：
1.首先要明确网页的三大特征：
1）每一个网页都有唯一统一资源定位符（URL）来进行定位；
2）网页使用超文本标记语言（HTML）来描述页面信息；
3）网页使用超文本传输协议（HTTP/HTTPS）协议来传输HTML数据。
2.建立爬虫的设计思路：
1）首先确定需要爬取的网页URL地址；
2）通过HTTP/HTTP协议来获取对应的HTML页面；
3）提取困让HTML页面里有用的数据：
a.如果是需要的数据，就保存起来。
b.如果是页面里的其他URL，那就继续执行第二步。
比如我们想爬去新浪资讯整站数据内容，观察到新浪首页上方有很多分类，例如新闻、财经、科技、体育、娱乐、汽车，每一个分类下又分很多子类，例如新闻下又分汪闭局为军事、社会、国际。因此，首先要从新浪的首页开始，找到各个大类的URL链接，再在大类下找到小类的URL链接，最后找到每个新闻页面的URL，按需求爬取文本后者图片，这就是爬取一整个资源站的思路。
3.爬虫的方式
可以做爬虫的语言有很多，如PHP、Java、C/C++、Python等等...
但目前Python凭借其语法优美、代码简洁、开发效率高、支持的模块多，相关的HTTP请求模块和HTML解析模块非常丰富成为了最广泛使用的方式，其有强大的爬虫Scrapy以及成熟高效的scrapy-redis分布式策略。此外，利用python调用其他借口也是非常方便。
㈦ 如何入门 php 爬虫
从爬虫基本要求来看：
抓取：抓取最基本就是拉网页回来，所以第一步就是拉网页回来，慢慢会发现各种问题待优化；
存储：抓回来一般会用一定策略存下来桥行，可以选择存文件系统开始，然后以一定规则命名。
分析：对敏激哗网页进行文本分析，可以用认为最快最优的办法，比如正则表达式；
展示：要是做了一堆事情，一铅渣点展示输出都没有，如何展现价值。
㈧ PHP可以写网页爬虫吗
几和脊乎任何语言都能写爬虫，原理也都一样，http 协议抓网唤局渗页内容，按照需求程度不同，可能还要抓响应码、Cookies、header然腊悄后自行处理。
㈨ php如何爬取天猫和淘宝商品数据
直接用Curl就行，具体爬取的数据可以穿参查看结果，方法不区分淘宝和天猫链接，但是前提是必须是PC端链接，另外正则写的不规范，所以可以自己重写正则来匹配数据。
㈩ 如何用php 编写网络爬虫
pcntl_fork或者贺返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。
curl实现页面抓取，设置cookie可以实现模拟登录
simple_html_dom 实现页面的解析和DOM处理
如果想嫌磨要禅者饥模拟浏览器，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。