今天来做一个PHP电影小爬虫。
我们来利用simple_html_dom的采集数据实例，这是一个PHP的库，上手很容易。
simple_html_dom 可以很好的帮助我们利用php解析html文档。通过这个php封装类可以很方便的解析html文档，对其中的html元素进行操作 (PHP5+以上版本)
下载地址：https://github.com/samacs/simple_html_dom
下面我们以 http://www.paopaotv.com 上的列表页 http://paopaotv.com/tv-type-id-5-pg-1.html 字母模式展现的列表为例，抓取页面上的列表数据，以及内容里面信息
1 <?php 2 include_once 'simple_html_dom.php'; 3 //获取html数据转化为对象 4 $html = file_get_html('http://paopaotv.com/tv-type-id-5-pg-1.html'); 5 //A-Z的字母列表每条数据是在id=letter-focus 的div内class= letter-focus-item的dl标签内，用find方法查找即为 6 $listData=$html->find("#letter-focus .letter-focus-item");//$listData为数组对象 7 foreach($listData as$key=>$eachRowData){ 8 $filmName=$eachRowData->find("dd span",0)->plaintext;//获取影视名称 9 $filmUrl=$eachRowData->find("dd a",0)->href;//获取dd标签下影视对应的地址 10 //获取影视的详细信息 11 $filmInfo=file_get_html("http://paopaotv.com".$filmUrl); 12 $filmDetail=$filmInfo->find(".info dl"); 13 foreach($filmDetail as $film){ 14 $info=$film->find("dd"); 15 $row=null; 16 foreach($info as $childInfo){ 17 $row[]=$childInfo->plaintext; 18 } 19 $cate[$key][]=join(",",$row);//将影视的信息存放到数组中 20 } 21 }
这样通过simple_html_dom，就可以将paopaotv.com影视列表中信息，以及影视的具体信息就抓取到了，之后你可以继续抓取影视详细页面上的视频地址信息，然后将该影视的所有信息都存放到数据库中。
下面是simple_html_dom常用的属性以及方法：
1 $html = file_get_html('http://paopaotv.com/tv-type-id-5-pg-1.html'); 2 $e = $html->find("div", 0); 3 //标签 4 $e->tag; 5 //外文本 6 $e->outertext; 7 //内文本 8 $e->innertext; 9 //纯文本 10 $e->plaintext; 11 //子元素 12 $e->children ( [int $index] ); 13 //父元素 14 $e->parent (); 15 //第一个子元素 16 $e->first_child (); 17 //最后一个子元素 18 $e->last_child (); 19 //后一个兄弟元素 20 $e->next_sibling (); 21 //前一个兄弟元素 22 $e->prev_sibling (); 23 //标签数组 24 $ret = $html->find('a'); 25 //第一个a标签 26 $ret = $html->find('a', 0);
更多用法可以参考官方手册。
是不是很简单呢？有问题欢迎提出来交流