?在使用 symfony 中。有需求需要对页面元素进行 爬虫。 一开始 计划其他办法。 但是 好在symfony有官方 爬虫组件。 索性看文档 直接 就可以使用。?
$url = $this->baseUrl . $list->getApiUrL();
$response = file_get_contents($url);
$crawler = new Crawler();
$crawler->addHtmlContent($response);
$data = [];
try {
//使用crawler进行页面内容分析
$content = $crawler->filterXPath('//ul[contains(@class,"conte_heliu_ul")]')->text();
$imgSrc = $crawler->filterXpath('//img')->extract(array('src'));
$name = $crawler->filterXPath('//ul[contains(@class,"conte_heliu_ul")]/li')->each(function (Crawler $node, $i) use (&$data) {
$item = $node->filterXPath('//div/span')->text();
$city = $node->filterXPath('//span')->text();
return $city . '-' . $item;
});
$userName = implode(',', $name);
$imgUrl = str_replace('../', '', $imgSrc[0]);
$url = str_replace('3g/', '', $this->baseUrl);
$fileUrl = '';
if (!empty($imgUrl)) {
$fileUrl = $url . $imgUrl;
}
$data = [
'content' => $content,
'userName' => $userName,
'img' => $fileUrl,
];
} catch (Exception $e) {
$output->writeln('error ');
}
use Symfony\Component\DomCrawler\Crawler;
function run()
{
? ? //伪造浏览器UA
? ? $headers = [
? ? ? ? 'user-agent' => 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
? ? ];
? ? $client = new Client([
? ? ? ? 'timeout' => 20,
? ? ? ? 'headers' => $headers
? ? ]);
? ? //发送请求获取页面内容
? ? $response = $client->request('GET', $url)->getBody()->getContents();
? ? $data = [];
? ? $crawler = new Crawler();
? ? $crawler->addHtmlContent($response);
? ? //使用crawler进行页面内容分析
? ? try{
? ? ? ? //这里使用的是xpath语法,轮询forFlow子类day中的元素,既页面上每一篇文章的块状元素,并且进行内容获取
? ? ? ? $crawler->filterXPath('//div[contains(@class, "forFlow")]/div[contains(@class, "day")]')->each(function(Crawler $node, $i) use (&$data){
? ? ? ? ? ? $item = [
? ? ? ? ? ? ? ? 'date' => $node->filterXPath('//div[contains(@class, "dayTitle")]/a')->text(),
? ? ? ? ? ? ? ? 'title' => $node->filterXPath('//div[contains(@class, "postTitle")]/a')->text(),
? ? ? ? ? ? ? ? 'abstract' => $node->filterXPath('//div[contains(@class, "postCon")]/div')->text(),
? ? ? ? ? ? ? ? 'url' => $node->filterXPath('//div[contains(@class, "postCon")]/div/a')->attr('href'),
? ? ? ? ? ? ];
? ? ? ? ? ? $data[] = $item;
? ? ? ? });
? ? }catch (\Exception $e){
? ? ? ? echo $e->getMessage() . PHP_EOL;
? ? }
? ? //打印结果
? ? print_r($data);
}
|