PHP结合CURL高效抓取新闻列表及详情技巧

本文介绍使用PHP和CURL高效采集新闻列表及详情的方法。通过CURL获取目标网站新闻列表页HTML源码，并利用正则表达式提取新闻标题和相对路径。 核心步骤包括：将提取的相对路径转换为绝对路径；再次使用CURL获取新闻详情页内容，并再次运用正则表达式提取新闻正文。文章提供了详细的代码示例，并指出了正则表达式需要根据目标网站HTML结构进行调整，以及需注意避免对目标网站造成过大压力。 学习本文，您可以掌握高效抓取新闻数据的方法，提升数据采集效率。

利用PHP和CURL高效抓取新闻列表及详情

本文详细阐述如何运用PHP和CURL从目标网站获取新闻列表和新闻详情。主要难点在于：目标网站新闻列表页面的链接为相对路径，需将其转换为绝对路径；以及需要二次抓取，获取新闻详情页的内容。

首先，我们用CURL获取列表页的HTML源码。以下代码演示如何用CURL获取页面内容，并用正则表达式提取新闻标题和相对路径：

$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, 'http://www.xx.com/news'); // 请替换为实际的列表页URL
curl_setopt($ch, CURLOPT_REFERER, 'http://www.xx.com'); // 设置Referer，模拟浏览器访问
curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36");
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, 0);
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, 0);
$html = curl_exec($ch);
curl_close($ch);

// 使用正则表达式提取新闻标题和相对路径
preg_match_all('/<a target='_blank'  href='https://www.17golang.com/gourl/?redirect=MDAwMDAwMDAwML57hpSHp6VpkrqbYLx2eayza4KafaOkbLS3zqSBrJvPsa5_0Ia6sWuR4Juaq6t9nq6yn6V7s3Gortyzon2rhdC-iIKYhae2pYe6gpuvnHVnvqaFqX-NoG20qruygmSE37FmhpWR3b6jh7dtbQ' rel='nofollow'>(.+?)<\/a>/', $html, $matches);
$newslist = [];
foreach ($matches[0] as $key => $value) {
  $newslist[] = [
    'title' => trim($matches[2][$key]),
    'relative_path' => $matches[1][$key]
  ];
}</a>

这段代码先用CURL获取列表页的HTML内容。然后，它使用正则表达式/(.+?)<\/a>/匹配标签，提取href属性值（相对路径）和标签内的文本（新闻标题）。 请注意，正则表达式需要根据实际HTML结构调整。

接下来，我们将相对路径转换为绝对路径，并用CURL获取新闻详情页的内容：

$baseUrl = 'http://www.xx.com'; // 请替换为实际的网站根域名
foreach ($newslist as $news) {
    $fullUrl = $baseUrl . $news['relative_path'];
    $ch = curl_init($fullUrl);
    // ... (重复之前的CURL设置) ...
    $detailHtml = curl_exec($ch);
    curl_close($ch);

    // 使用正则表达式提取新闻内容
    preg_match('/<div class="content text-xs">(.+?)<\/div>/', $detailHtml, $contentMatch); //  调整正则表达式以匹配新闻内容
    $newsContent = isset($contentMatch[1]) ? trim($contentMatch[1]) : '';

    // 输出新闻标题、完整路径和内容
    echo "标题: " . $news['title'] . "<br><br>";
    echo "链接: " . $fullUrl . "<br><br>";
    echo "内容: " . $newsContent . "<br><br><br>";
}
<p>这段代码遍历<code>$newslist</code>数组，将每个新闻的相对路径转换为绝对路径，然后用CURL获取详情页的HTML内容。接着，它使用另一个正则表达式提取新闻内容。  同样，这个正则表达式也需要根据实际HTML结构调整。最后，它输出新闻标题、完整路径和内容。</p>
<p>请注意，代码中使用的正则表达式仅为示例，实际应用中需根据目标网站的HTML结构修改。如果目标网站使用了复杂的HTML结构或动态加载技术，可能需要更复杂的解析方法，例如使用DOM解析器。  此外，为避免对目标网站造成过大压力，建议添加一定的延时机制。</p><p>今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~</p></div>