cURL 抓取然后解析/查找特定内容

Question

我正在使用 php 和 cURL 来抓取网页，但是这个网页设计得很糟糕（因为标签上没有类或 id），所以我需要搜索特定的文本，然后转到保存它的标签（即<p>）然后移动到下一个孩子（或下一个<p>）并获取文本。

我需要从页面中获取各种内容，其中一些也是 <a onclick="get this stuff here"> 中的文本。所以基本上我觉得我需要使用 cURL 将源代码抓取到一个 php 变量，然后我可以使用 php 进行解析并找到我需要的东西。

这听起来是不是最好的方法？有没有人有任何指针或可以演示我如何将源代码从 cURL 放入变量中？

谢谢！

编辑（工作/当前代码）-----------

<?php

class Scrape
{
public $cookies = 'cookies.txt';
private $user = null;
private $pass = null;

/*Data generated from cURL*/
public $content = null;
public $response = null;

/* Links */
private $url = array(
                    'login'      => 'https://website.com/login.jsp',
                    'submit'     => 'https://website.com/LoginServlet',
                    'page1'      => 'https://website.com/page1',
                    'page2'      => 'https://website.com/page2', 
                    'page3'      => 'https://website.com/page3'
                    );

/* Fields */
public $data = array();

public function __construct ($user, $pass)
{

    $this->user = $user;
    $this->pass = $pass;

}

public function login()
{

            $this->cURL($this->url['login']);

            if($form = $this->getFormFields($this->content, 'login'))
            {
                $form['login'] = $this->user;
                $form['password'] =$this->pass;
                // echo "<pre>".print_r($form,true);exit;
                $this->cURL($this->url['submit'], $form);
                //echo $this->content;//exit;
            }
           //echo $this->content;//exit;
}

// NEW TESTING
public function loadPage($page)
{
            $this->cURL($this->url[$page]);
            echo $this->content;//exit;
}

/* Scan for form */
private function getFormFields($data, $id)
{
        if (preg_match('/(<form.*?name=.?'.$id.'.*?<\/form>)/is', $data, $matches)) {
            $inputs = $this->getInputs($matches[1]);

            return $inputs;
        } else {
            return false;
        }

}

/* Get Inputs in form */
private function getInputs($form)
{
    $inputs = array();

    $elements = preg_match_all('/(<input[^>]+>)/is', $form, $matches);

    if ($elements > 0) {
        for($i = 0; $i < $elements; $i++) {
            $el = preg_replace('/\s{2,}/', ' ', $matches[1][$i]);

            if (preg_match('/name=(?:["\'])?([^"\'\s]*)/i', $el, $name)) {
                $name  = $name[1];
                $value = '';

                if (preg_match('/value=(?:["\'])?([^"\']*)/i', $el, $value)) {
                    $value = $value[1];
                }

                $inputs[$name] = $value;
            }
        }
    }

    return $inputs;
}

/* Perform curl function to specific URL provided */
public function cURL($url, $post = false)
{
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 30);
    curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.13) Gecko/20080311 Firefox/2.0.0.13");
        // "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36");
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
    curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
    curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, false);
    curl_setopt($ch, CURLOPT_VERBOSE, 1);
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
    curl_setopt($ch, CURLOPT_COOKIEJAR, $this->cookies);
    curl_setopt($ch, CURLOPT_COOKIEFILE, $this->cookies);
    curl_setopt($ch, CURLOPT_HEADER, 0);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER,1);
    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 120);
    curl_setopt($ch, CURLOPT_TIMEOUT, 120);

    if($post)   //if post is needed
    {
        curl_setopt($ch, CURLOPT_POST, 1);
        curl_setopt($ch, CURLOPT_POSTFIELDS, http_build_query($post));
    }

    curl_setopt($ch, CURLOPT_URL, $url);
    $this->content = curl_exec($ch);
    $this->response = curl_getinfo( $ch );
    $this->url['last_url'] = curl_getinfo($ch, CURLINFO_EFFECTIVE_URL);
    curl_close($ch);
}
}


$sc = new Scrape('user','pass');
$sc->login();

$sc->loadPage('page1');
echo "<h1>TESTTESTEST</h1>";

$sc->loadPage('page2');
echo "<h1>TESTTESTEST</h1>";

$sc->loadPage('page3');
echo "<h1>TESTTESTEST</h1>";

（注：感谢@Ramz scrape a website with secured login）

Answer 1

你可以把你的问题分成几个部分。

1. 从数据源检索数据。 为此，您可以根据需要使用 CURL 或 file_get_contents()。代码示例无处不在。 http://php.net/manual/en/function.file-get-contents.php 和 http://php.net/manual/en/curl.examples-basic.php

2. 解析检索到的数据。 为此，我将从研究“PHP Simple HTML DOM Parser”开始，您可以使用它从 HTML 字符串中提取数据。 http://simplehtmldom.sourceforge.net/

3. 构建和生成输出。 这只是一个关于您想对提取的数据做什么的问题。例如，您可以打印、重新格式化或将其存储到数据库/文件中。

Answer 2

我建议您使用现成的 scaper。我使用 Goutte (https://github.com/FriendsOfPHP/Goutte)，它允许我加载网站内容并以与 jQuery 相同的方式遍历它。即如果我想要<div id="content"> 的内容，我使用$client->filter('#content')->text()

它甚至允许我查找和“点击”链接并提交表单以检索和处理内容。

与使用 cURL 或 file_get_contentsa() 并手动处理 html 相比，它让 mucn 生活变得如此简单