利用php和curl高效抓取新闻列表及详情
本文将详细讲解如何用PHP和cURL高效抓取新闻列表和详情页内容。主要挑战在于：一、从列表页提取新闻标题和完整URL；二、根据列表页URL，进一步抓取详情页内容，最终整合标题、URL和内容进行展示。
首先，解决从列表页获取新闻标题和完整URL的问题。通过分析列表页源代码，我们可以利用正则表达式匹配<a></a>标签中的href属性和title属性（如果存在）来提取新闻标题和相对路径。由于提取的路径通常是相对路径，我们需要将其转换为完整URL。这需要在代码中添加网站根域名。
<?php
$url = 'http://www.xx.com/news'; // 列表页URL
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_REFERER, '');
curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36");
curl_setopt($ch, CURLOPT_CUSTOMREQUEST, "GET");
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
// ... 其他cURL选项 ...
$html = curl_exec($ch);
curl_close($ch);
preg_match_all('/<a href="https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c".*??>(.*?)/s', $html, $matches);
$newslist = [];
foreach ($matches[1] as $key => $relativepath) {
$completepath = $url . '/' . ltrim($relativepath, '/'); // 转换为完整URL
$newslist[] = [
'title' => $matches[2][$key],
'url' => $completepath,
];
}
// 现在 $newslist 数组包含标题和完整URL
var_dump($newslist);
?>
接下来是第二个挑战：从详情页提取新闻内容。同样，我们使用cURL获取详情页HTML，然后使用正则表达式提取<div class="content text-xs">内的内容作为新闻内容。需要注意的是，正则表达式需要根据具体的详情页HTML结构进行调整。<p><span>立即学习</span>“<a href="https://pan.quark.cn/s/7fc7563c4182" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">PHP免费学习笔记（深入）</a>”；</p>
<pre class="brush:php;toolbar:false;"><?php
foreach ($newslist as $news) {
$ch = curl_init($news['url']);
// ... 其他cURL选项 ...
$detailHtml = curl_exec($ch);
curl_close($ch);
preg_match('/<div class="content text-xs">(.*?)<\/div>/s', $detailHtml, $contentMatch);
$content = isset($contentMatch[1]) ? $contentMatch[1] : ''; // 处理无内容的情况
// 输出结果
echo "标题: " . $news['title'] . "\n";
echo "链接: " . $news['url'] . "\n";
echo "内容: " . $content . "\n\n";
}
?></pre>
<p>这段代码展示了如何使用cURL和正则表达式完成新闻列表和详情的抓取。请根据实际网站结构调整正则表达式，并添加必要的错误处理和异常处理。 记住，在抓取数据时，务必遵守网站的robots.txt规则和相关法律法规。</p>
</div>
