您好,登錄后才能下訂單哦!
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。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請(qǐng)聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。