使用php蓝天采集器抓取今日头条ajax的文章内容

标签：爬虫   采集器   php   

用谷歌浏览器打开链接，右键点击“审查”在控制台切换至network并点击XHR，这样就可以过滤图片、文件等等不必要的请求只看页面内容的请求

由于页面是ajax加载的，所以将页面拉至最底部，会自动加载出更多文章，这时候控制台抓取到的链接就是我们真正需要的列表页链接：

https://www.toutiao.com/search_content/?offset=20&format=json&keyword=%E6%96%B0%E9%97%BB&autoload=true&count=20&cur_tab=1&from=search_tab

在蓝天采集中创建一个任务

创建完毕点击“采集设置”，在“起始页网址”中填入上面抓取到的链接

接下来匹配内容页网址，头条的文章网址格式是https://www.toutiao.com/group/数字/

点击“内容页网址”编写“匹配内容网址”规则：

(?<content1>http://toutiao.com/group/\d+/)

这是个正则规则，意思就是把匹配的网址装进捕获组content1中，然后在下面填写[内容1] 即对应上面的content1 就可获取到内容页链接

可以点击测试查看是否成功抓取到了链接

抓取成功就可以开始获取内容了

点击“获取内容”在字段列表右边可以添加默认的字段，如标题、正文等都可以智能识别，如需精准还可以自行编辑字段，支持正则、xpath、json等匹配内容

我们需要抓取文章的标题和正文，由于是ajax显示的所以要写规则匹配出内容，分析篇源码：https://www.toutiao.com/a6358823350874145025/ ，找到文章位置

标题规则：articleInfo\s:\s{\stitle:\s‘[内容1]‘,

正文规则：content\s:\s‘[内容1]‘,\s*groupId

规则必须保证唯一性，不然会匹配到其他内容上去，将规则添加到字段中，获取方式选规则匹配：

规则编写完后点击保存，点击“测试”看看效果如何

规则无误，抓取正常，抓取到的数据还可以发布到cms系统、直接数据库入库、保存为excel文件等，点击底部导航条的“发布设置”即可，好了今日头条的采集到这里就结束了，大家不妨动手试试！

使用php蓝天采集器抓取今日头条ajax的文章内容

标签：爬虫   采集器   php   

原文地址：http://blog.51cto.com/10051155/2113774