1.几种常用的php爬虫框架对比
原文链接：https://blog.csdn.net/future_todo/article/details/52804440
1.1 phpQuery
优势：类似jquery的强大搜索DOM的能力。
pq()是一个功能强大的搜索DOM的方法，跟jQuery的$()如出一辙，jQuery的选择器基本上都能使用在phpQuery上，只要把“.”变成“->”,Demo如下(对应我的github的Demo5)
<?php require(‘phpQuery/phpQuery.php‘); phpQuery::newDocumentFile(‘http://www.baidu.com/‘); $menu_a = pq("a"); foreach($menu_a as $a){ echo pq($a)->html()."<br>"; } foreach($menu_a as $a){ echo pq($a)->attr("href")."<br>"; } ?>
1.2 PHPcrawer
优势：过滤能力比较强。
官方给的Demo如下（我的github中对应demo4）：
<?php include("PHPCrawl/libs/PHPCrawler.class.php"); class MyCrawler extends PHPCrawler { function handleDocumentInfo(PHPCrawlerDocumentInfo $PageInfo) { // As example we just print out the URL of the document echo $PageInfo->url."<br>"; } } $crawler = new MyCrawler(); $crawler->setURL("www.baidu.com"); $crawler->addURLFilterRule("#\.(jpg|gif)$# i"); //过滤到含有这些图片格式的URL $crawler->go(); ?>
1.3 snoopy
优势：提交表单，设置代理等
Snoopy是一个php类，用来模拟浏览器的功能，可以获取网页内容，发送表单，
demo如下（对应github中的demo3）：
include ‘Snoopy/Snoopy.class.php‘; $snoopy = new Snoopy(); $url = "http://www.baidu.com"; // $snoopy->fetch($url); // $snoopy->fetchtext($url);//去除HTML标签和其他的无关数据 $snoopy->fetchform($url);//只获取表单 //只返回网页中链接 默认情况下，相对链接将自动补全，转换成完整的URL。 // $snoopy->fetchlinks($url); var_dump($snoopy->results);
1.4 phpspider
优势：安装配置到数据库
提供了安装配置，能够直接连接mysql数据库，使用也是比较广泛，这里我们暂时不单独介绍。
2.模拟用户行为
2.1 file_get_contents
<?php $opts = array( ‘http‘=>array( ‘method‘=>"GET", ‘header‘=>"Accept-language: en\r\n" . "Cookie: foo=bar\r\n" ) ); $context = stream_context_create($opts); /* Sends an http request to www.example.com with additional headers shown above */ $fp = fopen(‘http://www.example.com‘, ‘r‘, false, $context); fpassthru($fp); fclose($fp); ?>
2.2 curl
$ch=curl_init(); //初始化一个cURL会话 curl_setopt($ch,CURLOPT_URL,$url);//设置需要获取的 URL 地址 // 设置浏览器的特定header curl_setopt($ch, CURLOPT_HTTPHEADER, array( "Host: www.baidu.com", "Connection: keep-alive", "Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", "Upgrade-Insecure-Requests: 1", "DNT:1", "Accept-Language: zh-CN,zh;q=0.8,en-GB;q=0.6,en;q=0.4,en-US;q=0.2", "Cookie:_za=4540d427-eee1-435a-a533-66ecd8676d7d;" )); $result=curl_exec($ch);//执行一个cURL会话
2.3 snoopy
- 表单提交
我们的一个例子
form-demo.html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>form-demo</title>
</head>
<body>
<form action="./form-demo.php" method="post">
用户名:<input type="text" name="userName"><br>
密 码:<input type="password" name="password"><br>
<input type="submit">
</form>
</body>
</html>
form-demo.php
<?php $userName = $_POST[‘userName‘]; $password = $_POST[‘password‘]; if($userName==="admin"&&$password==="admin"){ echo "hello admin"; }else{ echo "login error"; } ?> ``` 提交表单 ```php <?php include ‘Snoopy/Snoopy.class.php‘; $snoopy = new Snoopy(); $formvars["userName"] = "admin"; //userName 与服务器端/表单的name属性一致 $formvars["password"] = "admin"; $action = "http://localhost:8000/spider/demo3/form-demo.php";//表单提交地址 $snoopy->submit($action,$formvars); echo $snoopy->results; ?> <div class="se-preview-section-delimiter"></div>