今天来做一个PHP电影小爬虫。

今天来做一个PHP电影小爬虫。
我们来利用simple_html_dom的采集数据实例，这是一个PHP的库，上手很容易。
simple_html_dom 可以很好的帮助我们利用php解析html文档。通过这个php封装类可以很方便的解析html文档，对其中的html元素进行操作 (PHP5+以上版本)
下载地址：https://github.com/samacs/simple_html_dom
下面我们以 http://www.paopaotv.com 上的列表页 http://paopaotv.com/tv-type-id-5-pg-1.html 字母模式展现的列表为例，抓取页面上的列表数据，以及内容里面信息

 1 <?php
 2 include_once ‘simple_html_dom.php‘;
 3 //获取html数据转化为对象
 4 $html = file_get_html(‘http://paopaotv.com/tv-type-id-5-pg-1.html‘);
 5 //A-Z的字母列表每条数据是在id=letter-focus 的div内class= letter-focus-item的dl标签内，用find方法查找即为
 6 $listData=$html->find("#letter-focus .letter-focus-item");//$listData为数组对象
 7 foreach($listData as$key=>$eachRowData){
 8 $filmName=$eachRowData->find("dd span",0)->plaintext;//获取影视名称
 9 $filmUrl=$eachRowData->find("dd a",0)->href;//获取dd标签下影视对应的地址
10 //获取影视的详细信息
11 $filmInfo=file_get_html("http://paopaotv.com".$filmUrl);
12 $filmDetail=$filmInfo->find(".info dl");
13 foreach($filmDetail as $film){
14 $info=$film->find("dd");
15 $row=null;
16 foreach($info as $childInfo){
17 $row[]=$childInfo->plaintext;
18 }
19 $cate[$key][]=join(",",$row);//将影视的信息存放到数组中
20 }
21 }

这样通过simple_html_dom，就可以将paopaotv.com影视列表中信息，以及影视的具体信息就抓取到了，之后你可以继续抓取影视详细页面上的视频地址信息，然后将该影视的所有信息都存放到数据库中。
下面是simple_html_dom常用的属性以及方法：

 1 $html = file_get_html(‘http://paopaotv.com/tv-type-id-5-pg-1.html‘);
 2 $e = $html->find("div", 0);
 3 //标签
 4 $e->tag;
 5 //外文本
 6 $e->outertext;
 7 //内文本
 8 $e->innertext;
 9 //纯文本
10 $e->plaintext;
11 //子元素
12 $e->children ( [int $index] );
13 //父元素
14 $e->parent ();
15 //第一个子元素
16 $e->first_child ();
17 //最后一个子元素
18 $e->last_child ();
19 //后一个兄弟元素
20 $e->next_sibling ();
21 //前一个兄弟元素
22 $e->prev_sibling ();
23 //标签数组
24 $ret = $html->find(‘a‘);
25 //第一个a标签
26 $ret = $html->find(‘a‘, 0);

原文：http://www.cnblogs.com/blueel/p/3756446.html