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。
(.*?)/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 立即学习“PHP免费学习笔记（深入）”； 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。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。(.*?)<\/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";
}
?>
