百度知道的php爬虫

<?php
/*
	百度知道爬虫！
经过我们分析，百度知道是由静态网页组成。网址格式主要为http://zhidao.baidu.com/question/(编号).html，其中编号便是该问题的编号(PID)，按照时间逐个编号的，由于某些问题的删除或者某种原因，可能编号不连续。当我们发现该问题删除时，可以跳过该问题继续。
*/


class spider
{
	private $content ;
	private $contentlen ;
	private $BestAnswer ;
	private $CurPosition ;
	function GetStart( $iStart )
	{
		return strpos( $this->content , '>' , $iStart )+1 ;
	}
	function GetContent ( $url )
	{
		$this->content = file_get_contents($url);
		$this->contentlen = strlen( $this->content ) ;
		$start = strpos( $this->content , '<title>') ;
		$start = $this->GetStart( $start ) ;
		$end = strpos( $this->content , '</title>' , $start ) ;
		$title = substr( $this->content , $start , $this->$end-$start ) ;
		if ( strpos( $title , '_百度知道' , 1 ) < 1 )
		{
			return false;
		}
		return ture ;
	}
	
	function GetTitle()
	{
		$start = strpos( $this->content , '<title>') ;
		if ( $start > 0 )
		{
			$start = $this->GetStart( $start ) ;
			$end = strpos( $this->content , '</title>' , $start ) ;
			$this->CurPosition = $end ;
			return substr( $this->content , $start , $end-$start ) ;
		}
		return NULL ;
	}
	function GetQTitle()
	{
		$start = strpos( $this->content , 'span class="question-title"' , $this->CurPosition ) ;
		if ( $start > 0 )
		{
			$start = $this->GetStart( $start ) ;
			$end = strpos( $this->content , '</span>' , $start ) ;
			$this->CurPosition = $end ;
			return substr( $this->content , $start , $end-$start ) ;
		}
		return NULL ;
	}
	function GetClassFly()
	{
		;
	}
	function GetQContent()
	{
		$start = strpos( $this->content , 'pre id="question-content"' , $this->CurPosition ) ;
		if ( $start > 0 )
		{
			$start = $this->GetStart( $start ) ;
			$end = strpos( $this->content , '</pre>' , $start ) ;
			$this->CurPosition = $end ;
			return substr( $this->content , $start , $end-$start ) ;
		}
		return NULL ;
	}
	function GetQsuply()
	{
		$start = strpos( $this->content , 'id="question-suply"' , $this->CurPosition ) ;
		if ( $start > 0 )
		{
			$start = $this->GetStart( $start ) ;
			$end = strpos( $this->content , '</pre>' , $start ) ;
			$this->CurPosition = $end ;
			return substr( $this->content , $start , $end-$start ) ;
		}
		return NULL ;
	}
	function GetAnswer()
	{
		$start = strpos( $this->content , 'class="reply-text mb10"' , $this->CurPosition ) ;
		if ( $start > 0 )
		{
			$start = $this->GetStart( $start ) ;
			$end = strpos( $this->content , '</pre>' , $start ) ;
			$this->CurPosition = $end ;
			return substr( $this->content , $start , $end-$start ) ;
		}
		return NULL ;
	}
}
ini_set('max_execution_time', '0');
$TestSpider = new spider() ;
$Startqid = 1000001 ;
$sndqid = 1000051 ;
$standurl = 'http://zhidao.baidu.com/question/' ;
$html = '.html' ;
$url ;
$NoUse = 0 ;
function microtime_float()
{
    list($usec, $sec) = explode(" ", microtime());
    return ((float)$usec + (float)$sec);
}
$time_start = microtime_float();
$answer ;
for ($i = $Startqid ; $i < $sndqid ; $i++ )
{
	$url = $standurl.$i.$html ;
	if ( $TestSpider->GetContent ( $url ) )
	{
		echo '<br>正在爬取编号为'.$i.'的网页<br>' ;
		$TestSpider->GetTitle() ; //得到网页标题,不用显示了
		echo '<font color="green">问题：</font><font color="red"><a target="_blank" href="'.$url.'"> '.$TestSpider->GetQTitle().'</a></font><br>' ; //得到问题题目
		echo '<font color="green">问题具体内容：</font>'.$TestSpider->GetQContent().'</font><br>' ; //得到问题内容，有可能不存在
		echo '<font color="green">问题补充说明：</font>'.$TestSpider->GetQsuply().'</font><br>' ; //问题补充说明，有可能不存在
		while ( ($answer = $TestSpider->GetAnswer()) != NULL ) 
		{
			echo '<font color="green">问题答案：</font>'.$answer.'</font><br>' ; //得到答案。有可能没有答案！
		}
		ob_flush() ;
		flush() ;
	}
	else 
	{
		echo '<p>错误了<a target="_blank" href="'.$url.'" style= "color:#ff0000">'.$url.'</a></p>' ;
		$NoUse++ ;
	}
}
$time_end = microtime_float();
$time = $time_end - $time_start;
$i = $i-$Startqid ;
echo '<p>爬取'.$i.'个网页用时'.$time.'秒</p>其中跳过'.$NoUse.'个无效网页！' ;

?>