当前位置:首页 > PHP教程 > php高级应用 > 列表

怎么利用PHP抓取百度阅读

发布:smiling 来源: PHP粉丝网  添加日期:2018-05-31 11:46:47 浏览: 评论:0 

抓取方法如下:首先在浏览器里打开阅读页面,查看源代码后发现小说的内容并不是直接写在页面里的,也就是说小说的内容是通过异步加载而来的。

于是将chrome的开发者工具切到network一栏,刷新阅读页面,主要关注的是XHR和script两个分类下。

经过排查,发现在script分类下有个jsonp请求比较像是小说内容,请求的地址是

http://wenku.baidu.com/content/49422a3769eae009581becba?m=8ed1dedb240b11bf0731336eff95093f&type=json&cn=1&_=1&t=1423309200&callback=wenku7

返回的是一个jsonp字符串,然后我发现,如果把地址里面的callback=wenku7去掉,返回的就是一个json字符串,这样解析起来就方便不少,可以直接在php里面转换成数组。

再来分析一下返回数据的结构,返回的json字符串之后是一个树状的结构,每个节点都有一个t属性和c属性,t属性用来指明这个节点的标签,比如h2 div等等,c属性就是内容了,但也有两种可能,一个是字符串,另一个是数组,数组的每个元素都是一个节点。

这种结构最好解析了,用一个递归就搞定,最终代码如下:

  1. <?php 
  2.  
  3. classBaiduYuedu { 
  4.  
  5.  protected$bookId
  6.  
  7.  protected$bookToken
  8.  
  9.  protected$cookie
  10.  
  11.  protected$result
  12.  
  13.  publicfunction__construct($bookId,$bookToken,$cookie){ 
  14.  
  15.   $this->bookId =$bookId
  16.  
  17.   $this->bookToken =$bookToken
  18.  
  19.   $this->cookie =$cookie
  20.  
  21.  } 
  22.  
  23.  publicstaticfunctionparseNode($node){ 
  24.  
  25.   $str='' 
  26.  
  27.   if(is_string($node['c'])){ 
  28.  
  29.    $str.=$node['c']; 
  30.  
  31.   }elseif(is_array($node['c'])){ 
  32.  
  33.    foreach($node['c']as$d){ 
  34.  
  35.     $str.= self::parseNode($d); 
  36.  
  37.    } 
  38.  
  39.   } 
  40.  
  41.   switch($node['t']){ 
  42.  
  43.    case'h2'
  44.  
  45.     $str.="\n\n"
  46.  
  47.     break
  48.  
  49.    case'br'
  50.  
  51.    case'div'
  52.  
  53.    case'p'
  54.  
  55.     $str.="\n"
  56.  
  57.     break
  58.  
  59.    case'img'
  60.  
  61.    case'span'
  62.  
  63.     break
  64.  
  65.    case'obj'
  66.  
  67.     $tmp='('. self::parseNode($node['data'][0]) .')' 
  68.  
  69.     $str.=str_replace("\n",'',$tmp); 
  70.  
  71.     break
  72.  
  73.    default
  74.  
  75.     trigger_error('Unkown type:'.$node['t'], E_USER_WARNING); 
  76.  
  77.     break
  78.  
  79.   } 
  80.  
  81.   return$str
  82.  
  83.  } 
  84.  
  85.  publicfunctionget($page= 1){ 
  86.  
  87.   echo"getting page {$page}...\n"
  88.  
  89.   $ch= curl_init(); 
  90.  
  91.   $url= sprintf('http://wenku.baidu.com/content/%s/?m=%s&type=json&cn=%d',$this->bookId,$this->token,$page); 
  92.  
  93.   curl_setopt_array($ch,array
  94.  
  95.    CURLOPT_URL   =>$url
  96.  
  97.    CURLOPT_RETURNTRANSFER => 1, 
  98.  
  99.    CURLOPT_HEADER   => 0, 
  100.  
  101.    CURLOPT_HTTPHEADER  =>array('Cookie: '.$this->cookie) 
  102.  
  103.   )); 
  104.  
  105.   $ret= json_decode(curl_exec($ch), true); 
  106.  
  107.   curl_close($ch); 
  108.  
  109.   $str='' 
  110.  
  111.   if(!emptyempty($ret)){ 
  112.  
  113.    $str.= self::parseNode($ret); 
  114.  
  115.    $str.=$this->get($page+ 1); 
  116.  
  117.   } 
  118.  
  119.   return$str
  120.  
  121.  } 
  122.  
  123.  publicfunctionstart(){ 
  124.  
  125.   $this->result =$this->get(); 
  126.  
  127.  } 
  128.  
  129.  publicfunctiongetResult(){ 
  130.  
  131.   return$this->result; 
  132.  
  133.  } 
  134.  
  135.  publicfunctionsaveTo($path){ 
  136.  
  137.   if(emptyempty($this->result)){ 
  138.  
  139.    trigger_error('Result is empty', E_USER_ERROR); 
  140.  
  141.    return
  142.  
  143.   } 
  144.  
  145.   file_put_contents($path,$this->result); 
  146.  
  147.   echo"save to {$path}\n"
  148.  
  149.  } 
  150.  
  151. //phpfensi.com 
  152. //使用示例 
  153.  
  154. $yuedu=newBaiduYuedu(�a3769eae009581becba',Ǝed1dedb240b11bf0731336eff95093f','你的百度域cookie'); 
  155.  
  156. $yuedu->start(); 
  157.  
  158. $yuedu->saveTo('result.txt'); 

这个类前两个参数可以从小说的介绍页面获得,第一个参数bookId就是url里ebook后面跟着的字符串,第二个参数bookToken在页面源代码搜索bdjsonUrl,m参数后面的那个字符串就是。

注:如果不传入百度cookie或者百度cookie无效,则只能抓取免费阅读部分,要抓完整的内容必须保证cookie可以正常使用。

总结:以上就是这篇文章的全部内容了,希望本文的内容对大家学习或者使用PHP能有一定的帮助,如果有疑问大家可以留言交流。

Tags: 怎么利用PHP抓取百度阅读

分享到: