php+phpquery简易爬虫抓取京东商品分类

这是一个简单的php加phpquery实现抓取京东商品分类页内容的简易爬虫。phpquery可以非常简单地帮助你抽取想要的html内容，phpquery和jquery非常类似，可以说是几乎一样；如果你有jquery的基础的话你可以迅速地上手。

1、下载phpquery并置于web根目录下的phpQuery文件夹

phpquery下载：https://code.google.com/p/phpquery/downloads/list

phpquery教程可在这里查看：https://code.google.com/p/phpquery/

2、抓取程序

<?php
/*
 * Created on 2015-1-29
 *
 * To change the template for this generated file go to
 * Window - Preferences - PHPeclipse - PHP - Code Templates
 */
header("Content-type:text/html; charset=utf-8");
function getPage( $url )
{
  $cnt = file_get_contents($url);
  return mb_convert_encoding($cnt ,"UTF-8","GBK");
}
include 'phpQuery/phpQuery.php'; 
$url = 'http://www.jd.com/allSort.aspx';
$page = getPage($url);
//phpQuery::newDocumentHTML($page);
phpQuery::newDocumentFile($url);
$firstCate = pq('#allsort .m');
$id = 0;
foreach($firstCate as $first){
  $id ++;
  $topcate = pq($first)->find(".mt a");
  //echo "**************************" . $topcate->text() . "**************************************</br>";
  echo $id . "#";
  foreach($topcate as $top){
    echo pq($top)->text() . "#" . "< a href='" .pq($top)->attr("href") . "' target='_blank'>" . pq($top)->text() ."< /a>、";
  }
  echo "#0#1</br>";
  $companies = pq($first)->find(".mc dl");
  $parent_id = $id;
  foreach($companies as $company)
  {  
    $id++;
    $sparent_id = $id;
     echo "  " . $id . "#" .pq($company)->find('dt')->text() . "#" .  "< a href='" . pq($company)->find('dt a')->attr("href") . "' target='_blank'>" . pq($company)->find('dt')->text() ."< /a>#" . $parent_id ."#2<br>"; 
     $cate = pq($company)->find('dd em a');
     foreach($cate as $detail) {
       $id++;
       echo "	" .  $id . "#" .pq($detail)->text() . "#" . "< a href='". pq($detail)->attr("href") . "' target='_blank'>" . pq($detail)->text() ."< /a>#" . $sparent_id . "#3<br>"; 
     }
  }  
}
?>

3、运行效果

这样可以抓取京东商品分类的信息了。可以加上数据库，将数据保存在数据库中，这样可以更利于数据的保存和操作。虽然这里只是抓取京东商品的分类，如果延伸一下的话还可以抓取商品价格，好评差评等信息。这里就不一一细说了，具体问题具体解决，完全看需求。如果有需要的话还可以做成万能的，输入标签的xpath，然后得到具体的值；这纯属YY，有兴趣的可以网上找找资料，实现的方式应该也不少。