1. 爬虫介绍

爬虫是一种自动化程序，专门用于从互联网收集信息。它通过模拟浏览器行为，访问网页并提取目标数据。PHP作为一款功能强大的服务器端脚本语言，也可以用来编写高效的爬虫程序。

2. PHP实现爬虫的步骤

2.1. 发送HTTP请求

爬虫的第一步是通过HTTP请求获取目标网页的内容。PHP提供了多种发送HTTP请求的方法，其中最简单常用的是file_get_contents()函数。

$url = "http://example.com";
$html = file_get_contents($url);

使用file_get_contents()函数可以直接获取网页的HTML源码，并存储在变量$html中。

2.2. 解析HTML

获取网页源码后，接下来需要对HTML进行解析，以提取所需信息。PHP内置的DOMDocument类非常适合处理XML和HTML文档。

$dom = new DOMDocument();
@$dom->loadHTML($html);

这里使用loadHTML()方法将HTML字符串转换为DOM对象，方便后续数据操作。注意加上@避免HTML解析时的警告信息。

2.3. 使用XPath提取数据

XPath是一种查询语言，用于在XML和HTML文档中定位节点。结合DOMXPath类，可以方便地定位并提取网页中的目标元素。

$xpath = new DOMXPath($dom);
$elements = $xpath->query("//h1");
foreach ($elements as $element) {
  echo $element->nodeValue;
}

以上代码通过XPath表达式"//h1"定位所有

标签，并逐个输出其文本内容。

3. 爬虫示例：抓取网页标题

3.1. 代码实现

$url = "http://example.com";
$html = file_get_contents($url);
$dom = new DOMDocument();
@$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$elements = $xpath->query("//title");
if ($elements->length > 0) {
  $title = $elements->item(0)->nodeValue;
  echo $title;
} else {
  echo "No title found";
}

这段代码先请求网页源码，再解析HTML，最后通过XPath定位