《PHP實(shí)例:利用PHP抓取百度閱讀的方法示例》要點(diǎn):
本文介紹了PHP實(shí)例:利用PHP抓取百度閱讀的方法示例,希望對(duì)您有用。如果有疑問,可以聯(lián)系我們。
PHP實(shí)例前言
PHP實(shí)例這篇文章主要介紹的是,如何利用PHP抓取百度閱讀的方法,下面話不多說,來一起看看吧.
PHP實(shí)例抓取方法如下
PHP實(shí)例首先在瀏覽器里打開閱讀頁面,查看源代碼后發(fā)現(xiàn)小說的內(nèi)容并不是直接寫在頁面里的,也就是說小說的內(nèi)容是通過異步加載而來的.
PHP實(shí)例于是將chrome的開發(fā)者工具切到network一欄,刷新閱讀頁面,主要關(guān)注的是XHR和script兩個(gè)分類下.
PHP實(shí)例經(jīng)過排查,發(fā)現(xiàn)在script分類下有個(gè)jsonp請(qǐng)求比較像是小說內(nèi)容,請(qǐng)求的地址是
PHP實(shí)例http://wenku.baidu.com/content/49422a3769eae009581becba?m=8ed1dedb240b11bf0731336eff95093f&type=json&cn=1&_=1&t=1423309200&callback=wenku7
PHP實(shí)例返回的是一個(gè)jsonp
字符串,然后我發(fā)現(xiàn),如果把地址里面的callback=wenku7
去掉,返回的就是一個(gè)json
字符串,這樣解析起來就方便不少,可以直接在php里面轉(zhuǎn)換成數(shù)組.
PHP實(shí)例再來分析一下返回?cái)?shù)據(jù)的結(jié)構(gòu),返回的json
字符串之后是一個(gè)樹狀的結(jié)構(gòu),每個(gè)節(jié)點(diǎn)都有一個(gè)t屬性和c屬性,t屬性用來指明這個(gè)節(jié)點(diǎn)的標(biāo)簽,比如h2 div等等,c屬性就是內(nèi)容了,但也有兩種可能,一個(gè)是字符串,另一個(gè)是數(shù)組,數(shù)組的每個(gè)元素都是一個(gè)節(jié)點(diǎn).
PHP實(shí)例這種結(jié)構(gòu)最好解析了,用一個(gè)遞歸就搞定
PHP實(shí)例最終代碼如下:
PHP實(shí)例
<?php
class BaiduYuedu {
protected $bookId;
protected $bookToken;
protected $cookie;
protected $result;
public function __construct($bookId, $bookToken, $cookie){
$this->bookId = $bookId;
$this->bookToken = $bookToken;
$this->cookie = $cookie;
}
public static function parseNode($node){
$str = '';
if(is_string($node['c'])){
$str .= $node['c'];
}else if(is_array($node['c'])){
foreach($node['c'] as $d){
$str .= self::parseNode($d);
}
}
switch($node['t']){
case 'h2':
$str .= "\n\n";
break;
case 'br':
case 'div':
case 'p':
$str .= "\n";
break;
case 'img':
case 'span':
break;
case 'obj':
$tmp = '(' . self::parseNode($node['data'][0]) . ')';
$str .= str_replace("\n", '', $tmp);
break;
default:
trigger_error('Unkown type:'.$node['t'], E_USER_WARNING);
break;
}
return $str;
}
public function get($page = 1){
echo "getting page {$page}...\n";
$ch = curl_init();
$url = sprintf('http://wenku.baidu.com/content/%s/?m=%s&type=json&cn=%d', $this->bookId, $this->token, $page);
curl_setopt_array($ch, array(
CURLOPT_URL => $url,
CURLOPT_RETURNTRANSFER => 1,
CURLOPT_HEADER => 0,
CURLOPT_HTTPHEADER => array('Cookie: '. $this->cookie)
));
$ret = json_decode(curl_exec($ch), true);
curl_close($ch);
$str = '';
if(!empty($ret)){
$str .= self::parseNode($ret);
$str .= $this->get($page + 1);
}
return $str;
}
public function start(){
$this->result = $this->get();
}
public function getResult(){
return $this->result;
}
public function saveTo($path){
if(empty($this->result)){
trigger_error('Result is empty', E_USER_ERROR);
return;
}
file_put_contents($path, $this->result);
echo "save to {$path}\n";
}
}
//使用示例
$yuedu = new BaiduYuedu('49422a3769eae009581becba', '8ed1dedb240b11bf0731336eff95093f', '你的百度域cookie');
$yuedu->start();
$yuedu->saveTo('result.txt');
PHP實(shí)例這個(gè)類前兩個(gè)參數(shù)可以從小說的介紹頁面獲得,第一個(gè)參數(shù)bookId
就是url
里ebook
后面跟著的字符串,第二個(gè)參數(shù)bookToken
在頁面源代碼搜索bdjsonUrl
,m
參數(shù)后面的那個(gè)字符串就是.
PHP實(shí)例注:如果不傳入百度cookie
或者百度cookie
無效,則只能抓取免費(fèi)閱讀部分,要抓完整的內(nèi)容必須保證cookie
可以正常使用.
PHP實(shí)例總結(jié)
PHP實(shí)例以上就是這篇文章的全部?jī)?nèi)容了,希望本文的內(nèi)容對(duì)大家學(xué)習(xí)或者使用PHP能有一定的幫助,如果有疑問大家可以留言交流.
轉(zhuǎn)載請(qǐng)注明本頁網(wǎng)址:
http://www.snjht.com/jiaocheng/2282.html