javascript是瀏覽器腳本，php是服務(wù)器腳本。你可以查看js的代碼，但不能查看php的代碼。抓取網(wǎng)頁的時候php網(wǎng)頁的內(nèi)容顯得更干凈，而js網(wǎng)頁還要過濾掉js代碼。
創(chuàng)新互聯(lián)建站是專業(yè)的網(wǎng)站建設(shè)公司,提供網(wǎng)站建設(shè),網(wǎng)站制作,網(wǎng)站設(shè)計等網(wǎng)站開發(fā)一體化解決方案;包括H5高端網(wǎng)站建設(shè),微信小程序定制開發(fā),網(wǎng)站定制,企業(yè)網(wǎng)站建設(shè),商城網(wǎng)站建設(shè),自適應網(wǎng)站建設(shè),建網(wǎng)站,PHP網(wǎng)站建設(shè),軟件開發(fā)，軟文發(fā)稿，網(wǎng)站營銷。歡迎做網(wǎng)站的企業(yè)前來合作洽談,創(chuàng)新互聯(lián)建站將竭誠為您服務(wù)!
其實用PHP來爬會非常方便，主要是PHP的正則表達式功能在搜集頁面連接方面很方便，另外PHP的fopen、file_get_contents以及l(fā)ibcur的函數(shù)非常方便的下載網(wǎng)頁內(nèi)容。
具體處理方式就是建立就一個任務(wù)隊列，往隊列里面插入一些種子任務(wù)和可以開始爬行，爬行的過程就是循環(huán)的從隊列里面提取一個URL，打開后獲取連接插入隊列中，進行相關(guān)的保存。隊列可以使用數(shù)組實現(xiàn)。
當然PHP作為但線程的東西，慢慢爬還是可以，怕的就是有的URL打不開，會死在那里。
php和python 寫爬蟲采集一些簡單的都可以，但是相對來說python更好，更方便，有很多現(xiàn)成的庫和方法支持直接解析網(wǎng)站，剖析你需要的數(shù)據(jù)，而php需要你大部分正則匹配，麻煩。
能夠做網(wǎng)絡(luò)爬蟲的編程語言很多，包括PHP、Java、C/C++、Python等都能做爬蟲，都能達到抓取想要的數(shù)據(jù)資源。針對不同的環(huán)境，我們需要了解他們做爬蟲的優(yōu)缺點，才能選出合適的開發(fā)環(huán)境。
（一）PHP
網(wǎng)絡(luò)爬蟲需要快速的從服務(wù)器中抓取需要的數(shù)據(jù)，有時數(shù)據(jù)量較大時需要進行多線程抓取。PHP雖然是世界上最好的語言，但是PHP對多線程、異步支持不足，并發(fā)不足，而爬蟲程序?qū)λ俣群托室髽O高，所以說PHP天生不是做爬蟲的。
（二）C/C++
C語言是一門面向過程、抽象化的通用程序設(shè)計語言，廣泛應用于底層開發(fā)，運行效率和性能是最強大的，但是它的學習成本非常高，需要有很好地編程知識基礎(chǔ)，對于初學者或者編程知識不是很好地程序員來說，不是一個很好的選擇。當然，能夠用C/C++編寫爬蟲程序，足以說明能力很強，但是絕不是最正確的選擇。
（三）Java
在網(wǎng)絡(luò)爬蟲方面，作為Python最大的對手Java，擁有強大的生態(tài)圈。但是Java本身很笨重，代碼量大。由于爬蟲與反爬蟲的較量是持久的，也是頻繁的，剛寫好的爬蟲程序很可能就不能用了。爬蟲程序需要經(jīng)常性的修改部分代碼。而Java的重構(gòu)成本比較高，任何修改都會導致大量代碼的變動。
（四）Python
Python在設(shè)計上堅持了清晰劃一的風格，易讀、易維護，語法優(yōu)美、代碼簡潔、開發(fā)效率高、第三方模塊多。并且擁有強大的爬蟲Scrapy，以及成熟高效的scrapy-redis分布式策略。實現(xiàn)同樣的爬蟲功能，代碼量少，而且維護方便，開發(fā)效率高。
pcntl_fork或者swoole_process實現(xiàn)多進程并發(fā)。按照每個網(wǎng)頁抓取耗時500ms，開200個進程，可以實現(xiàn)每秒400個頁面的抓取。
curl實現(xiàn)頁面抓取，設(shè)置cookie可以實現(xiàn)模擬登錄
simple_html_dom 實現(xiàn)頁面的解析和DOM處理
如果想要模擬瀏覽器，可以使用casperJS。用swoole擴展封裝一個服務(wù)接口給PHP層調(diào)用
在這里有一套爬蟲系統(tǒng)就是基于上述技術(shù)方案實現(xiàn)的，每天會抓取幾千萬個頁面。
重慶分公司
重慶分公司
