PHP脚本扮演爬虫的角色，可能大家第一时间想到可能会是会正则，个人对正则的规则老是记不住，表示比较难下手，今天工作中有个需求需要爬取某个网站上的一些门店信息
无意间在网上看到一个比较好的类库叫：simple_html_dom
github下载地址：https://github.com/samacs/simple_html_dom
最重要的一步：你得先了解别人网站的结构，知道从哪个tab开始是你想要的数据
下面演示下过程吧
实现过程我分了三步
1、将门店信息的经纬度，名称等一些重要信息先插入本地表
- set_time_limit(0);
- $host = ‘127.0.0.1‘;
- $user = ‘root‘;
- $user_pwd = ‘‘;
- $database = ‘dataname‘;
- $conn = mysql_connect($host,$user,$user_pwd) or die(‘sss‘);
- mysql_select_db($database,$conn) or die(‘dddd‘);
- mysql_query(‘set names utf8‘);
-
-
- include(‘./simple_html_dom-master/simple_html_dom.php‘);
-
- $url = ‘需要爬取的网站URL‘;
- $html = file_get_html($url);
- $n = 1;
- foreach($html->find(‘li[data-counts=0]‘) as $e){
- $storeid = $e->storeid;
- $star = $e->level.‘.0‘;
- $work_time = $e->time;
- $mapx = $e->mapx;
- $mapy = $e->mapy;
- $nickname = $e->mapname;
- $mapadd = $e->mapadd;
- $maptel = $e->maptel;
- $time = date(‘Y-m-d H:i:s‘);
- $query = "INSERT INTO `store` (`storeid`,`star`,`work_time`,`longitude`,`latitude`,`create_time`,`nickname`,`address`,`tel`)
- VALUES ($storeid,‘".$star."‘,‘".$work_time."‘,‘".$mapx."‘,‘".$mapy."‘,‘".$time."‘,‘".$nickname."‘,‘".$mapadd."‘,‘".$maptel."‘)";
- $res = mysql_query($query);
-
-
- if($res){
- echo ‘成功导入第‘.$n.‘个门店<br>‘;
- $n++;
- }else{
- die(‘失败<br>‘);
- }
- }
2、跳入站点的另一个页面获取门店LOGO图片
- $query = "SELECT storeid FROM store order by id desc";
-
- $row = mysql_query($query);
-
- while($rows = mysql_fetch_array($row)){
- $url = ‘http://别人站点域名/‘.$rows[‘storeid‘].‘.jhtml‘;
- $html = file_get_html($url);
- foreach($html->find(‘div.onlyOnePic‘) as $e){
-
- $img = $e->firstChild()->src;
-
- $content = file_get_contents($img);
- file_put_contents(‘./store/‘.$rows[‘storeid‘].‘.jpeg‘, $content);
- }
- }
3、更新表中对应门店的LOGO字段
- $query = "SELECT storeid FROM store order by id desc";
- $row = mysql_query($query);
- $n = 1;
- while($rows = mysql_fetch_array($row)){
- $img = "https://我自己站点域名/".$rows[‘storeid‘].".jpeg";
- $sql = "UPDATE store set img_url=‘".$img."‘ where storeid=".$rows[‘storeid‘];
- $res = mysql_query($sql);
- if($res){
- echo ‘成功更新第‘.$n.‘个门店<br>‘;
- $n++;
- }else{
- echo ‘失败‘;
- }
- }
OK，功能实现了，不过还没有更深入的了解这个类库的其他功能，这里也只是做个记录，方便以后需要的时候用
php利用simple_html_dom类，获取页面内容，充当爬虫角色
原文：http://www.cnblogs.com/chenjian/p/7371327.html
