php实现简单爬虫的开发

有时候因为工作、自身的需求，我们都会去浏览不同网站去获取我们需要的数据，于是爬虫应运而生，下面是我在开发一个简单爬虫的经过与遇到的问题。

    开发一个爬虫，首先你要知道你的这个爬虫是要用来做什么的。我是要用来去不同网站找特定关键字的文章，并获取它的链接，以便我快速阅读。

    按照个人习惯，我首先要写一个界面，理清下思路。

    1、去不同网站。那么我们需要一个url输入框。
    2、找特定关键字的文章。那么我们需要一个文章标题输入框。
    3、获取文章链接。那么我们需要一个搜索结果的显示容器。

<div class="jumbotron" id="mainJumbotron"> <div class="panel panel-default">   <div class="panel-heading">文章URL抓取</div>   <div class="panel-body">   <div class="form-group">    <label for="article_title">文章标题</label>    <input type="text" class="form-control" id="article_title" placeholder="文章标题">   </div>   <div class="form-group">    <label for="website_url">网站URL</label>    <input type="text" class="form-control" id="website_url" placeholder="网站URL">   </div>    <button type="submit" class="btn btn-default">抓取</button>  </div> </div> <div class="panel panel-default">   <div class="panel-heading">文章URL</div>   <div class="panel-body">   <h3></h3>  </div> </div></div>

直接上代码，然后加上自己的一些样式调整，界面就完成啦：

那么接下来就是功能的实现了，我用PHP来写，首先第一步就是获取网站的html代码，获取html代码的方式也有很多，我就不一一介绍了，这里用了curl来获取，传入网站url就能得到html代码啦：

private function get_html($url){  $ch = curl_init();  $timeout = 10;  curl_setopt($ch, CURLOPT_URL, $url);  curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);  curl_setopt($ch, CURLOPT_ENCODING, 'gzip');  curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.131 Safari/537.36');  curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);  $html = curl_exec($ch);  return $html; }

虽然得到了html代码，但是很快你会遇到一个问题，那就是编码问题，这可能让你下一步的匹配无功而返，我们这里统一把得到的html内容转为utf8编码：

$coding = mb_detect_encoding($html);if ($coding != "UTF-8" || !mb_check_encoding($html, "UTF-8"))$html = mb_convert_encoding($html, 'utf-8', 'GBK,UTF-8,ASCII');