PHP实现最简单爬虫原型

最简单的爬虫模型应该是这样的：给一个初始url，爬虫把内容扒下拉，找页面里的url，在以这些url为起点，开始爬。

下面是一个最简单的php实现的爬虫模型。

<?php
/**
 * 爬虫程序 -- 原型
 * 
 * BookMoth 2009-02-21
 */
/**
 * 从给定的url获取html内容
 *
 * @param string $url
 * @return string
 */
function _getUrlContent($url){
	$handle = fopen($url, "r");
	if($handle){
		$content = stream_get_contents($handle,1024*1024);
		return $content;
	}else{
		return false;
	}	
}
/**
 * 从html内容中筛选链接
 *
 * @param string $web_content
 * @return array
 */
function _filterUrl($web_content){
	$reg_tag_a = '/<[a|A].*?href=[/'/"]{0,1}([^>/'/"/ ]*).*?>/';
	$result = preg_match_all($reg_tag_a,$web_content,$match_result);
	if($result){
		return $match_result[1];
	}
}
/**
 * 修正相对路径
 *
 * @param string $base_url
 * @param array $url_list
 * @return array
 */
function _reviseUrl($base_url,$url_list){
	$url_info = parse_url($base_url);
	$base_url = $url_info["scheme"].'://';
	if($url_info["user"]&&$url_info["pass"]){
		$base_url .= $url_info["user"].":".$url_info["pass"]."@";
	}
	$base_url .= $url_info["host"];
	if($url_info["port"]){
		$base_url .= ":".$url_info["port"];
	}
	$base_url .= $url_info["path"];
	print_r($base_url);
	if(is_array($url_list)){
		foreach ($url_list as $url_item) {
			if(preg_match('/^http/',$url_item)){
				//已经是完整的url
				$result[] = $url_item;
			}else {
				//不完整的url
				$real_url = $base_url.'/'.$url_item;
				$result[] = $real_url;
			}
		}
		return $result;
	}else {
		return;
	}
}
/**
 * 爬虫
 *
 * @param string $url
 * @return array
 */
function crawler($url){
	$content = _getUrlContent($url);
	if($content){
		$url_list = _reviseUrl($url,_filterUrl($content));
		if($url_list){
			return $url_list;
		}else {
			return ;
		}
	}else{
		return ;
	}
}
/**
 * 测试用主程序
 *
 */
function main(){
	$current_url = "http://hao123.com/";//初始url
	$fp_puts = fopen("url.txt","ab");//记录url列表
	$fp_gets = fopen("url.txt","r");//保存url列表
	do{
		$result_url_arr = crawler($current_url);
		if($result_url_arr){
			foreach ($result_url_arr as $url) {
				fputs($fp_puts,$url."/r/n");
			}
		}
	}while ($current_url = fgets($fp_gets,1024));//不断获得url
	
}
main();
?>

当然这只爬虫还需要进行下面的进化才可以：

1、拼接更准确的url链接。现在的链接有可能是格式错误的。

2、能够去掉重复的url链接。现在的爬虫会做非常多非常多的重复工作。

3、避免爬虫怕成环路，一个永远右转的车，只能是300内环，它只会跑在三环路上，去不了别的地方。

4、多线程或者多进程。因为php没有线程的概念，所以可能需要shell这样的东西来模拟了。

5、……略去2的N次方个汉字。

反正是意思一下就好了~