爬虫实战：用 PHP 爬取京东商品信息
在当今的电商时代，京东作为中国最大的综合电商之一，每日上架的商品数量甚至可以达到数万种。对于广大的消费者来说，京东提供了广泛的商品选择和优势的价格优惠。但是，有些时候，我们需要批量获取京东商品信息，快速筛选、比较、分析等等。这时候，我们就需要用到爬虫技术了。在本篇文章中，我们将会介绍利用PHP语言编写爬虫，帮助我们快速爬取京东商品信息的实现。
- 准备工作
首先，我们需要安装php所需的curl扩展，并设置一些常用的变量。具体步骤如下：
首先，打开终端或powershell，输入以下命令来安装curl扩展包：
sudo apt-get install php7.0-curl //ubuntu系统安装
brew install curl-openssl php-curl //macOS系统安装
接着，我们需要在PHP的代码中设置一些简单的变量，方便我们在后续的代码中使用。比如，我们定义一个$jgname变量表示京东的访问地址，另一个$skulist变量表示每个商品的访问地址。代码如下：
$jgname= "https://list.jd.com/list.html?cat=1318,1486,1490&ev=exbrand_13910&sort=sort_rank_asc&trans=1&JL=3_%E5%93%81%E7%89%8C_%E5%B0%8F%E7%B1%B3%EF%BC%88MI%EF%BC%89#J_crumbsBar"; $skulist="https://item.jd.com/1285310.html";
- 获取商品列表
现在我们已经准备完了环境和需要的变量，我们可以开始编写我们的爬虫了。首先，我们需要获取目标京东商品页面的商品列表。我们可以根据，京东商品页的访问地址（即$jgname），利用curl的工具和正则表达式来获取目标链接。分别获取价格、评论数、商品名称、商品编号等等商品信息。
具体代码如下：
$ch = curl_init();//初始化curl
curl_setopt($ch, CURLOPT_URL,$jgname);//设置url属性
curl_setopt($ch, CURLOPT_RETURNTRANSFER,1);//设置是否将curl_exec()获取的信息以字符串返回，而不是直接输出
$result = curl_exec ($ch);//执行一个curl会话
curl_close ($ch);//关闭curl会话
preg_match_all("/<li .*?</li>/", $result, $matches);//正则表达式把需要的内容取出来，即匹配<li>标签
$goodsinfo=array();//创建一个商品列表
foreach ($matches[0] as $item) {
//获取商品信息
preg_match("/sku="(d+)"/",$item,$skuid);
preg_match("/标题">s{0,}([dD]+?)s{0,}</a>/",$item,$titlename);
preg_match("/<strong>￥</strong>[s
]{0,}<i>(d+.d+)</i>/",$item,$price);
preg_match("/<divs{0,}class="p-commit">[s
]+<strong[^>]+>(d+)/",$item,$commentnum);
preg_match("/<as{0,}href="([dD]+?)"/",$item,$link);
//将商品信息存储到商品列表中
$goods=array(
"title"=>trim($titlename[1]),
"price"=>trim($price[1]),
"link"=>"https:".$link[1],
"skuid"=>trim($skuid[1]),
"commentnum"=>trim($commentnum[1])
);
array_push($goodsinfo,$goods);//将商品信息添加到商品列表
//输出测试：打印商品信息
echo $goods['title']." ".$goods['price']." ".$goods['commentnum']." ".$goods['link']."<br>";
}在以上代码中，我们将获取到的每个商品的链接和编号存储在了$goods‘skuid’和‘link’中，并将其它有用的信息（价格，评论数等）放入$goods数组中。最后，经由array_push()函数添加至$goodsinfo数组中。你可以使用循环语句来输出商品列表信息，便于查看爬取结果。
- 获取商品详细信息
现在，我们已经获取到了京东商品表页中的商品列表信息，接下来的步骤就是获取每个商品的详细信息，并将其存储在$goods数组中。我们在上一步的$goods数组中已经获取了每个商品的编号和链接。因此，接下来的操作就是打开每个链接，获取各种有用的商品信息。具体代码如下：
foreach ($goodsinfo as &$goods) {
//更新每个商品的网页链接
$link="https://item.jd.com/".$goods['skuid'].".html";
$goods['link']=$link;
$canBuy=true;//官网上可以买
//判断是否能够购买
preg_match('/无货/',file_get_contents($link)) && ($canBuy=false);
//利用curl工具打开网页链接，获得网页代码
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL,$link);
curl_setopt($ch, CURLOPT_RETURNTRANSFER,1);
$html = curl_exec ($ch);
curl_close ($ch);
//分析网页代码，使用正则表达式获取商品种类，价格，颜色，库存数量等数据，并保存
preg_match_all('/<divs{0,}class="Ptable".*?>[s
]+<divs{0,}class="Ptable-item".*?>[s
]+([dD]*?)</div>/',$html,$items);
preg_match_all('/<strong>商品名称</strong><em>(d.*)</em>/',$html,$item);
$goods['title']=$item[1][0];
echo $goods['title'];
if($canBuy)
{
foreach ($items[1] as &$item) {
//去掉html标记、空格、换行符
$item=strip_tags($item);
$item=str_replace(" ","",$item);
$item=str_replace(" ","",$item);
$item=str_replace("
","",$item);
$item=str_replace("
","",$item);
//切割字符串，获取键值对
preg_match_all('/([dD]*?)：([dD]*?)[
]/',$item,$item2);
if(count($item2[1])>0){
for($i=0;$i<count($item2[1]);$i++){
if($item2[1][$i]=="价格"){
$goods['price']=$item2[2][$i];
}elseif($item2[1][$i]=="颜色"){
$goods['color']=$item2[2][$i];
}elseif($item2[1][$i]=="产地"){
$goods['producePlace']=$item2[2][$i];
}elseif($item2[1][$i]=="商品编号"){
$goods['goodsn']=$item2[2][$i];
}elseif($item2[1][$i]=="型号"){
$goods['model']=$item2[2][$i];
}elseif($item2[1][$i]=="商品毛重"){
$goods['grossWeight']=$item2[2][$i];
}elseif($item2[1][$i]=="规格"){
$goods['specifications']=$item2[2][$i];
}
}
}
}
//获取商品评论数
preg_match_all('/<as{0,}href="#comment"s{0,}target="_self">s{0,}[dD]+?<strongs{0,}class="curr-num">(d*)</',$html,$comment);
$goods['commentnum']=$comment[1][0];
}
}在这些代码中，我们使用了类似于第2步的技术，利用curl工具获得每个商品的详细链接，然后利用正则表达式来获取一些有用的商品信息。我们可以通过如下方式来输出获取到的商品详细信息：
foreach ($goodsinfo as &$goods) {
echo $goods['skuid']." ".$goods['title']." ".$goods['price']." ".$goods['commentnum']." ".$goods['link']."<br>";
}整个流程就这些了。在实际应用中，我们可以根据实际的需求对代码进行一些调整和优化，如添加异常处理、设置请求头、调整爬取速度等。总之，在此基础上，可以构建一个稳定、高效的爬虫，获得京东商品信息，进一步助力电商运营和分析。