PHP实现最简单爬虫原型

最简单的爬虫模型应该是这样的：给一个初始url，爬虫把内容扒下拉，找页面里的url，在以这些url为起点，开始爬。

下面是一个最简单的php实现的爬虫模型。

1. <?php
2. /**
3. * 爬虫程序 -- 原型
4. *
5. * BookMoth 2009-02-21
6. */
7. /**
8. * 从给定的url获取html内容
9. *
10. * @param string $url
11. * @return string
12. */
13. function _getUrlContent($url){
14. $handle = fopen($url, "r");
15. if($handle){
16. $content = stream_get_contents($handle,1024*1024);
17. return $content;
18. }else{
19. return false;
20. }
21. }
22. /**
23. * 从html内容中筛选链接
24. *
25. * @param string $web_content
26. * @return array
27. */
28. function _filterUrl($web_content){
29. $reg_tag_a = '/\'\"\ ]*).*?>/';
30. $result = preg_match_all($reg_tag_a,$web_content,$match_result);
31. if($result){
32. return $match_result[1];
33. }
34. }
35. /**
36. * 修正相对路径
37. *
38. * @param string $base_url
39. * @param array $url_list
40. * @return array
41. */
42. function _reviseUrl($base_url,$url_list){
43. $url_info = parse_url($base_url);
44. $base_url = $url_info["scheme"].'://';
45. if($url_info["user"]&&$url_info["pass"]){
46. $base_url .= $url_info["user"].":".$url_info["pass"]."@";
47. }
48. $base_url .= $url_info["host"];
49. if($url_info["port"]){
50. $base_url .= ":".$url_info["port"];
51. }
52. $base_url .= $url_info["path"];
53. print_r($base_url);
54. if(is_array($url_list)){
55. foreach ($url_list as $url_item) {
56. if(preg_match('/^http/',$url_item)){
57. //已经是完整的url
58. $result[] = $url_item;
59. }else {
60. //不完整的url
61. $real_url = $base_url.'/'.$url_item;
62. $result[] = $real_url;
63. }
64. }
65. return $result;
66. }else {
67. return;
68. }
69. }
70. /**
71. * 爬虫
72. *
73. * @param string $url
74. * @return array
75. */
76. function crawler($url){
77. $content = _getUrlContent($url);
78. if($content){
79. $url_list = _reviseUrl($url,_filterUrl($content));
80. if($url_list){
81. return $url_list;
82. }else {
83. return ;
84. }
85. }else{
86. return ;
87. }
88. }
89. /**
90. * 测试用主程序
91. *
92. */
93. function main(){
94. $current_url = "http://hao123.com/";//初始url
95. $fp_puts = fopen("url.txt","ab");//记录url列表
96. $fp_gets = fopen("url.txt","r");//保存url列表
97. do{
98. $result_url_arr = crawler($current_url);
99. if($result_url_arr){
100. foreach ($result_url_arr as $url) {
101. fputs($fp_puts,$url."\r\n");
102. }
103. }
104. }while ($current_url = fgets($fp_gets,1024));//不断获得url
105. }
106. main();
107. ?>

当然这只爬虫还需要进行下面的进化才可以：

1、拼接更准确的url链接。现在的链接有可能是格式错误的。

2、能够去掉重复的url链接。现在的爬虫会做非常多非常多的重复工作。

3、避免爬虫怕成环路，一个永远右转的车，只能是300内环，它只会跑在三环路上，去不了别的地方。

4、多线程或者多进程。因为php没有线程的概念，所以可能需要shell这样的东西来模拟了。

5、……略去2的N次方个汉字。

反正是意思一下就好了~

from http://blog.csdn.net/bookmoth/archive/2009/02/21/3916538.aspx