近年来，随着互联网的普及，网络爬虫逐渐成为了信息采集的主要手段之一，然而，常规的爬虫技术不稳定、难以维护，市面上的纯web网页爬虫也只能在静态页面上进行操作。而php结合selenium可达到动态爬虫的效果，具有稳定性高、数据采集全面等优点，被广泛应用于爬虫开发中。本文将介绍如何使用php和selenium快速构建自己的网络爬虫系统。
一、Selenium和ChromeDriver的安装
Selenium是一个自动化测试工具，可以对Web应用程序进行自动化测试，其中将浏览器与操作系统分离式地处理，无强制插入代码实现页面渲染。ChromeDriver则是Selenium中调用Chrome浏览器的驱动程序，可以使Selenium直接操作Chrome，从而实现动态页面的爬取。
首先需要在本地安装Chrome浏览器和PHP环境。接着，我们需要安装相应版本的Selenium和ChromeDriver，在命令行中输入以下代码即可安装：
| 1 | composer require facebook/webdriver
|
然后将ChromeDriver二进制文件（根据自己的本地Chrome版本下载相应版本的ChromeDrive）置于系统Path变量环境中，代码如下：
| 1 2 3 | $webdriver = FacebookWebDriverRemoteRemoteWebDriver::create(
'http://localhost:9515', FacebookWebDriverChromeChromeOptions::class
);
|
二、构建Selenium和ChromeDriver的封装类
Selenium封装类主要用来维护Selenium和ChromeDriver，避免重复创建、销毁，代码如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 | class Selenium
{
private static $driver;
private static $selenium;
public static function getInstance()
{
if (null === self::$selenium) {
$options = new ChromeOptions();
$options->addArguments(['--no-sandbox','--disable-extensions','--headless','--disable-gpu']);
self::$driver = RemoteWebDriver::create(
'http://localhost:9515',
DesiredCapabilities::chrome()->setCapability(
ChromeOptions::CAPABILITY,
$options
)
);
self::$selenium = new self();
}
return self::$selenium;
}
public function __destruct()
{
self::$driver->quit();
self::$selenium = null;
}
public function getDriver()
{
return self::$driver;
}
}
|
注意，参数中的ChromeOptions主要是为了在无GUI（图形化界面）下仍能稳定运行，--no-sandbox参数是为了防止在linux系统下运行时报错。
三、创建网页源码解析类
爬虫系统的核心在于解析非静态页面，这里需要创建源码解析类，使用正则表达式或XPath表达式来定位和获取目标节点信息。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 | class PageParser
{
private $pageSource;
public function __construct(string $pageSource)
{
$this->pageSource = $pageSource;
}
public function parse(string $expression, $list = false)
{
if ($list) {
return $this->parseList($expression);
}
return $this->parseSingle($expression);
}
private function parseList(string $expression)
{
$domXpath = new DOMXPath(@DOMDocument::loadHTML($this->pageSource));
$items = $domXpath->query($expression);
$result = [];
foreach ($items as $item) {
array_push($result,trim($item->nodeValue));
}
return $result;
}
private function parseSingle(string $expression)
{
$domXpath = new DOMXPath(@DOMDocument::loadHTML($this->pageSource));
$item = $domXpath->query($expression)->item(0);
if ($item) {
return trim($item->nodeValue);
}
return '';
}
}
|
这里主要用到了DOMXPath类和DOMDocument类来解析页面中的HTML节点，分别通过parseList和parseSingle方法来定位和获取多个和一个目标节点的内容。
四、创建爬虫类
最后，我们需要构建一个专门爬取页面内容的爬虫类，代码如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 | class Spider
{
private $selenium;
private $url;
public function __construct($url)
{
$this->selenium = Selenium::getInstance();
$this->url = $url;
$this->selenium->getDriver()->get($url);
sleep(1);
}
public function __destruct()
{
$this->selenium->getDriver()->close();
$this->selenium = null;
}
public function getContent($expression, $list = false)
{
$pageSource = $this->selenium->getDriver()->getPageSource();
$parser = new PageParser($pageSource);
return $parser->parse($expression, $list);
}
}
|
该类的getContent方法接收两个参数，一个是目标节点的XPath表达式，另一个是是否获取多个内容。 getModelContent函数请求URL并解析节点来获取所需内容，该函数获取结束后关闭浏览器进程。
五、使用示例
最后，我们使用实际例子来说明如何使用这个爬虫类。假设我们需要从一个拥有多个a标签的网页上，爬取a标签中的href属性和文本信息。我们可以通过以下代码来实现：
| 1 2 3 4 5 6 7 8 | $spider = new Spider('https://www.example.com');
$aTags = $spider->getContent('//a', true);
foreach ($aTags as $a) {
$href = $a->getAttribute('href');
$text = $a->nodeValue;
echo "$href -> $text
";
}
|
在以上代码中，首先使用Spider类获取页面源码，然后通过XPath表达式获取多个a标签的节点信息，最后通过getAttribute和nodeValue方法获取每个a标签的href属性和文本。
六、总结
综上所述，本文通过介绍如何使用PHP和Selenium构建网页爬虫系统，并通过实际示例说明如何获取页面中的节点信息，该爬虫具有稳定性高、数据采集全面等优点，具有一定的应用价值。但同时需要注意的是，爬取数据时需要注意合法性和道德性，并遵守相关法律法规。
发表评论 取消回复