本文将阐述如何利用PHP和cURL高效抓取目标网站的新闻列表和新闻详情，并展示最终结果。 关键在于高效运用cURL获取数据，处理相对路径并提取所需信息。
首先，解决第一个挑战：从列表页（例如，页面1）提取新闻标题和完整URL。 代码示例如下：
<?php$url = 'http://www.xx.com/news'; // 请替换为实际列表页URL$ch = curl_init($url);curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36");$html = curl_exec($ch);curl_close($ch);// 使用正则表达式提取新闻标题和链接preg_match_all('/https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c/i', $html, $matches);$newslist = [];foreach ($matches[1] as $key => $href) { $title = $matches[2][$key]; // 处理相对路径 $completeurl = 'http://www.xx.com' . $href; // 将相对路径转换为完整路径 $newslist[] = ['title' => $title, 'url' => $completeurl];}// 打印新闻列表print_r($newslist);?>
这段代码首先使用cURL获取列表页的HTML内容。然后，运用正则表达式/https://www.php.cn/link/01bebc8e971d09cb90cf5756b340f24c/i 提取标签中的href属性（链接）和文本内容（标题）。 关键在于将提取到的相对路径与网站根域名拼接成完整的URL。
接下来，解决第二个挑战：对每个新闻链接进行二次抓取，提取新闻内容。 我们可以改进上述代码：
立即学习“PHP免费学习笔记（深入）”；
<?php// ... (前面代码不变) ...foreach ($newslist as $news) { $ch = curl_init($news['url']); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($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"); $detailHtml = curl_exec($ch); curl_close($ch); // 使用正则表达式提取新闻内容 (根据实际HTML结构调整) preg_match('/(.*?)/is', $detailHtml, $contentMatch); $content = isset($contentMatch[1]) ? strip_tags($contentMatch[1]) : ''; // 处理内容可能不存在的情况，并去除HTML标签 // 展示结果 echo "标题: " . $news['title'] . "
"; echo "链接: " . $news['url'] . "
"; echo "内容: " . $content . "
";}?>
这段代码遍历$newslist，对每个新闻链接再次使用cURL获取详情页HTML，并使用正则表达式/
(.*?)/is 提取新闻内容（请根据目标网站的实际HTML结构调整正则表达式）。isset($contentMatch[1]) ? strip_tags($contentMatch[1]) : '' 确保即使没有匹配到内容也不会报错，并且使用strip_tags()函数去除HTML标签，只保留文本内容。 最后，代码将标题、链接和内容打印出来。
请注意，http://www.xx.com/news 需要替换为实际的列表页URL，并且正则表达式需要根据目标网站的HTML结构进行调整。 为了提高效率和健壮性，建议使用更高级的HTML解析库，例如DOMDocument。
以上就是如何用PHP和CURL高效采集新闻列表及详情？的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1255411.html
赞 (0)
打赏
微信扫一扫
支付宝扫一扫
微信扫一扫
支付宝扫一扫
