利用PHP抓取百度阅读的方法示例

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

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：

<?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。

php爬虫 php抓取源码