使用PHP怎么對(duì)百度閱讀進(jìn)行抓取

這篇文章將為大家詳細(xì)講解有關(guān)使用PHP怎么對(duì)百度閱讀進(jìn)行抓取，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個(gè)參考，希望大家閱讀完這篇文章后對(duì)相關(guān)知識(shí)有一定的了解。

抓取方法如下

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。

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。

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

http://wenku.baidu.com/content/49422a3769eae009581becba?m=8ed1dedb240b11bf0731336eff95093f&type=json&cn=1&_=1&t=1423309200&callback=wenku7

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。

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h3 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)。

這種結(jié)構(gòu)最好解析了，用一個(gè)遞歸就搞定

最終代碼如下：

<?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 'h3':
    $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');

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。

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。

關(guān)于使用PHP怎么對(duì)百度閱讀進(jìn)行抓取就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。