如何使用PHP和Selenium快速构建自己的网络爬虫系统

近年来，随着互联网的普及，网络爬虫逐渐成为了信息采集的主要手段之一，然而，常规的爬虫技术不稳定、难以维护，市面上的纯web网页爬虫也只能在静态页面上进行操作。而php结合selenium可达到动态爬虫的效果，具有稳定性高、数据采集全面等优点，被广泛应用于爬虫开发中。本文将介绍如何使用php和selenium快速构建自己的网络爬虫系统。

一、Selenium和ChromeDriver的安装

Selenium是一个自动化测试工具，可以对Web应用程序进行自动化测试，其中将浏览器与操作系统分离式地处理，无强制插入代码实现页面渲染。ChromeDriver则是Selenium中调用Chrome浏览器的驱动程序，可以使Selenium直接操作Chrome，从而实现动态页面的爬取。

首先需要在本地安装Chrome浏览器和PHP环境。接着，我们需要安装相应版本的Selenium和ChromeDriver，在命令行中输入以下代码即可安装：

1	composer require facebook/webdriver

然后将ChromeDriver二进制文件（根据自己的本地Chrome版本下载相应版本的ChromeDrive）置于系统Path变量环境中，代码如下：

1 2 3

$webdriver = FacebookWebDriverRemoteRemoteWebDriver::create(     'http://localhost:9515', FacebookWebDriverChromeChromeOptions::class );

二、构建Selenium和ChromeDriver的封装类

Selenium封装类主要用来维护Selenium和ChromeDriver，避免重复创建、销毁，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

class Selenium {     private static $driver;     private static $selenium;     public static function getInstance()     {         if (null === self::$selenium) {             $options = new ChromeOptions();             $options->addArguments(['--no-sandbox','--disable-extensions','--headless','--disable-gpu']);             self::$driver = RemoteWebDriver::create(                 'http://localhost:9515',                 DesiredCapabilities::chrome()->setCapability(                     ChromeOptions::CAPABILITY,                     $options                 )             );             self::$selenium = new self();         }         return self::$selenium;     }     public function __destruct()     {         self::$driver->quit();         self::$selenium = null;     }     public function getDriver()     {         return self::$driver;     } }

注意，参数中的ChromeOptions主要是为了在无GUI（图形化界面）下仍能稳定运行，--no-sandbox参数是为了防止在linux系统下运行时报错。

三、创建网页源码解析类

爬虫系统的核心在于解析非静态页面，这里需要创建源码解析类，使用正则表达式或XPath表达式来定位和获取目标节点信息。

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

class PageParser {     private $pageSource;     public function __construct(string $pageSource)     {         $this->pageSource = $pageSource;     }     public function parse(string $expression, $list = false)     {         if ($list) {             return $this->parseList($expression);         }         return $this->parseSingle($expression);     }     private function parseList(string $expression)     {         $domXpath = new DOMXPath(@DOMDocument::loadHTML($this->pageSource));         $items = $domXpath->query($expression);         $result = [];         foreach ($items as $item) {             array_push($result,trim($item->nodeValue));         }         return $result;     }     private function parseSingle(string $expression)     {         $domXpath = new DOMXPath(@DOMDocument::loadHTML($this->pageSource));         $item = $domXpath->query($expression)->item(0);         if ($item) {             return trim($item->nodeValue);         }         return '';     } }

这里主要用到了DOMXPath类和DOMDocument类来解析页面中的HTML节点，分别通过parseList和parseSingle方法来定位和获取多个和一个目标节点的内容。

四、创建爬虫类

最后，我们需要构建一个专门爬取页面内容的爬虫类，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

class Spider {     private $selenium;     private $url;     public function __construct($url)     {         $this->selenium = Selenium::getInstance();         $this->url = $url;         $this->selenium->getDriver()->get($url);         sleep(1);     }     public function __destruct()     {         $this->selenium->getDriver()->close();         $this->selenium = null;     }     public function getContent($expression, $list = false)     {         $pageSource = $this->selenium->getDriver()->getPageSource();         $parser = new PageParser($pageSource);         return $parser->parse($expression, $list);     } }

该类的getContent方法接收两个参数，一个是目标节点的XPath表达式，另一个是是否获取多个内容。 getModelContent函数请求URL并解析节点来获取所需内容，该函数获取结束后关闭浏览器进程。

五、使用示例

最后，我们使用实际例子来说明如何使用这个爬虫类。假设我们需要从一个拥有多个a标签的网页上，爬取a标签中的href属性和文本信息。我们可以通过以下代码来实现：

1 2 3 4 5 6 7 8

$spider = new Spider('https://www.example.com'); $aTags = $spider->getContent('//a', true); foreach ($aTags as $a) {     $href = $a->getAttribute('href');     $text = $a->nodeValue;     echo "$href -> $text "; }

在以上代码中，首先使用Spider类获取页面源码，然后通过XPath表达式获取多个a标签的节点信息，最后通过getAttribute和nodeValue方法获取每个a标签的href属性和文本。

六、总结

综上所述，本文通过介绍如何使用PHP和Selenium构建网页爬虫系统，并通过实际示例说明如何获取页面中的节点信息，该爬虫具有稳定性高、数据采集全面等优点，具有一定的应用价值。但同时需要注意的是，爬取数据时需要注意合法性和道德性，并遵守相关法律法规。