php抓取页面生成html,PHP smiple html dom抓取页面内容
之前做页面抓取,数据采集等功能的时候,第一个想到的就是用正则表达式去匹配页面内容。但是对于像我这种,正则只懂皮毛的人来说,写正则是真的很恶心的一件事。去网上找,也不一定能改成自己需要的正则。
今天给大家推荐一个很好用的工具smiple html dom。
文档地址:http://www.phpddt.com/manual/simplehtmldom_1_5/manual.htm
解析器不仅仅只是帮助我们验证html文档;更能解析不符合W3C标准的html文档。它使用了类似jQuery的元素选择器,通过元素的id,class,tag等等来查找定位;同时还提供添加、删除、修改文档树的功能。当然,这样一款强大的html Dom解析器也不是尽善尽美;在使用的过程中需要十分小心内存消耗的情况。不过,不要担心;本文中,笔者在最后会为各位介绍如何避免消耗过多的内存。
下面是我解析的mm131.com的页面内容代码,主要是盗链他的图片,O(∩_∩)O哈哈~
index.php
require './include/function.php';
//打开错误信息
error_reporting(E_ERROR | E_WARNING | E_PARSE);
$count = 0;
error_reporting(0);
$url = trim(post("url"));
$str = '';
if($url){
$html = new simple_html_dom();
$html->load_file($url.'.html');
$ret = $html->find('.content-pic img');
$title = $html->find("title",0);
echo str_ireplace("www.mm131.com","",iconv("GBK","UTF-8",$title->innertext))."
";
foreach($ret as $v){
if($v->src){
$str .= $v->src."\n";
$count++;
}
}
flush();
for($i = 2;$i
$html->clear();
$location = $url.'_'.$i.'.html';
if(!GetCurl($location)){
break;
}
$html->load_file($location);
$ret = $html->find('.content-pic img');
foreach($ret as $v){
if($v->src){
$str .= $v->src."\n";
$count++;
}
}
flush();
}
echo $count;
}
以上3个代码块都是index.php的内容。
其中的require './dom/simple_html_dom.php'; 即引用的simple html dom 解析器。
function.php 只是封装了2个方法 代码如下:function GetCurl($url){
$ch = curl_init();
curl_setopt($ch,CURLOPT_URL,$url);
curl_setopt($ch, CURLOPT_HEADER, true);
curl_setopt($ch, CURLOPT_NOBODY,true);
curl_setopt($ch, CURLOPT_RETURNTRANSFER,true);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION,true);
curl_setopt($ch, CURLOPT_AUTOREFERER,true);
curl_setopt($ch, CURLOPT_TIMEOUT,30);
$rtn = curl_exec($ch);
curl_exec($ch);
if(strpos($rtn,'404 Not Found')==true) {
return false;
}
return true;
}
function post($id) {
return isset ( $_POST [$id] ) ? $_POST [$id] : '';
}
如何避免解析器消耗过多内存在本文的开篇中,笔者就提到了Simple HTML DOM解析器消耗内存过多的问题。如果php脚本占用内存太多,会导致网站停止响应等一系列严重的问题。解决的方法也很简单,在解析器加载html文档并使用完成后,记得清理掉这个对象就可以了。当然,也不要把问题看得太严重了。如果只是加载了2、3个文档,清理或不清理是没有多大区别的。当你加载了5个10个甚至更多的文档的时候,用完一个就清理一下内存绝对是对自己负责啦^_^
php抓取页面生成html,PHP smiple html dom抓取页面内容相关推荐
- java抓取动态生成的网页
最近在做项目的时候有一个需求:从网页面抓取数据,要求是首先抓取整个网页的html源码(后期更新要使用到).刚开始一看这个简单,然后就稀里哗啦的敲起了代码(在这之前使用过Hadoop平台的分布式爬虫框架 ...
- 抓取网页生成 PDF
看到自己喜欢的在线文档,是不是总想保存下来慢慢学习.可是苦于没有现成的工具,这里我来介绍两个 JS 类库,只需要简单封装一下,从此想抓哪里抓哪里. 一.使用 Phantomjs 1.简单使用 1 co ...
- 怎样用java编程抓取动态生成的网页
最近在做项目的时候有一个需求:从网页面抓取数据,要求是首先抓取整个网页的html源码(后期更新要使用到).刚开始一看这个简单,然后就稀里哗啦的敲起了代码(在这之前使用过Hadoop平台的分布式爬虫框架 ...
- 用Java抓取RSS生成Mobi文件发送到Kindle
最近写了个小工具,通过抓取RSS生成适合Kindle展示的Mobi格式的文件,并发送到Kindle 个人图书馆,也算是继续"自动化"之旅. 代码前前后后写了个把月,趁着放假期间,决 ...
- python抓取网页内容到excel_Python实现抓取网页生成Excel文件的方法示例
本文实例讲述了Python实现抓取网页生成Excel文件的方法.分享给大家供大家参考,具体如下: Python抓网页,主要用到了PyQuery,这个跟jQuery用法一样,超级给力 示例代码如下: # ...
- 机械臂论文笔记(一)【基于卷积神经网络的二指机械手 抓取姿态生成研究 】
基于卷积神经网络的二指机械手 抓取姿态生成研究 论文下载 摘要 第1章 绪论 1.1 抓取生成国内外研究现状 1.1.1已知物体抓取生成 1.1.2相似物体抓取生成 1.1.3 未知物体抓取生成 1. ...
- python抓取腾讯视频弹幕_Python实战 | 如何抓取腾讯视频弹幕
原标题:Python实战 | 如何抓取腾讯视频弹幕 当代年轻人的快乐是网络给的. 如果有人吐槽周末太无聊,他们一定会反驳: 是追剧不香吗? 是吃鸡不好玩吗? 周末辣么短,怎么会无聊呢? 诚然,追剧和游 ...
- 系统检测到您正在使用网页抓取工具_【安全】58反抓取简介
0x00 介绍 网络爬虫,常又被称呼为Spider,网络机器人,主要模拟网络交互协议,长时间,大规模的获取目标数据. 普通爬虫会从网站的一个链接开始,不断收集网页资源,同时不断延伸抓取新获取的URL以 ...
- asp.net中关于静态页面生成的代码实例
目前网页html静态化是利用其它的动态技术生成html静态页面,还不是静态网站.因为的确是这样的,生成html静态网页有一定的好处. 一.加快页面打开浏览速度,静态页面无需连接数据库教程打开 ...
最新文章
- Java7中的switch支持String的实现细节
- 如何在mysql查找效率慢的SQL语句
- 不会提示是否关闭浏览器 IE6、IE7、FF通用代码
- kubernetes1.8.4 安装指南 -- 10. 测试nginx服务
- 高等数理统计(part5)--分布族的完备性
- CSS Grid布局(2)
- ubuntu 18.04 显卡驱动
- 详解浏览器跨域访问的几种办法
- python实验报告_20193102 实验一 《python程序设计》实验报告
- 大华股份2021年的半年报
- nginx利用geo模块做限速白名单以及geo实现全局负载均衡的操作记录
- 【图像融合】基于matalb小波变换(加权平均法+局域能量+区域方差匹配)图像融合【含Matlab源码 1819期】
- Linux查看硬盘序列号
- R语言书籍学习02 《R语言数据分析、挖掘建模与可视化》-第一章 R语言必备基础知识
- 求职过程中展示您的社交技巧
- 小黄鸡.Net版(Simsimi.Net)
- 讯飞语音测评的简单demo演示
- VirtulBox安装虚拟机(鼠标点击时)0x00000000指令引用的0x00000000内存该内存不能为written错误解决方案...
- xmap 配置php环境,安装和配置环境
- to be top。。。
热门文章
- C++中set按降序排序
- MATLAB如何把图片显示在GUI上
- QT学习笔记(九):遍历容器-迭代器(iterators)
- Xception,Inception-ResNet,SENet(Squeeze-and-Excitation)
- Python 多进程 multiprocessing 使用示例
- Replace Temp with Query(以查询取代临时变量)
- LiteIDE 编写Go的单元测试
- redisserver是什么问题_面试官老是问:为什么采用单线程的Redis也会如此之快?...
- C++学习之路 | PTA乙级—— 1052 卖个萌 (20 分)(精简)
- 文件系统应用笔记之一:FatFS在STM32F4上的移植