前言
这篇文章主要介绍的是,如何利用PHP抓取百度阅读的方法,下面话不多说,来一起看看吧。
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
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
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
|
<?php class BaiduYuedu { protected $bookId ; protected $bookToken ; protected $cookie ; protected $result ; public function __construct( $bookId , $bookToken , $cookie ){ $this ->bookId = $bookId ; $this ->bookToken = $bookToken ; $this ->cookie = $cookie ; } public static function parseNode( $node ){ $str = '' ; if ( is_string ( $node [ 'c' ])){ $str .= $node [ 'c' ]; } else if ( is_array ( $node [ 'c' ])){ foreach ( $node [ 'c' ] as $d ){ $str .= self::parseNode( $d ); } } switch ( $node [ 't' ]){ case 'h2' : $str .= "\n\n" ; break ; case 'br' : case 'div' : case 'p' : $str .= "\n" ; break ; case 'img' : case 'span' : break ; case 'obj' : $tmp = '(' . self::parseNode( $node [ 'data' ][0]) . ')' ; $str .= str_replace ( "\n" , '' , $tmp ); break ; default : trigger_error( 'Unkown type:' . $node [ 't' ], E_USER_WARNING); break ; } return $str ; } public function get( $page = 1){ echo "getting page {$page}...\n" ; $ch = curl_init(); $url = sprintf( 'http://wenku.baidu.com/content/%s/?m=%s&type=json&cn=%d' , $this ->bookId, $this ->token, $page ); curl_setopt_array( $ch , array ( CURLOPT_URL => $url , CURLOPT_RETURNTRANSFER => 1, CURLOPT_HEADER => 0, CURLOPT_HTTPHEADER => array ( 'Cookie: ' . $this ->cookie) )); $ret = json_decode(curl_exec( $ch ), true); curl_close( $ch ); $str = '' ; if (! empty ( $ret )){ $str .= self::parseNode( $ret ); $str .= $this ->get( $page + 1); } return $str ; } public function start(){ $this ->result = $this ->get(); } public function getResult(){ return $this ->result; } public function saveTo( $path ){ if ( empty ( $this ->result)){ trigger_error( 'Result is empty' , E_USER_ERROR); return ; } file_put_contents ( $path , $this ->result); echo "save to {$path}\n" ; } } //使用示例 $yuedu = new BaiduYuedu( '49422a3769eae009581becba' , '8ed1dedb240b11bf0731336eff95093f' , '你的百度域cookie' ); $yuedu ->start(); $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。