Изучаем PHP: Пишем parser похожих запросов Yandex
В жизни программиста очень часто возникает задача получения полезной информации из других источников. Это может быть всесторонняя оценка цен конкурентов по определённому товару, сбор изображений и прочего.
Рассмотрим на примере так называемый «parser – spider» (парсер – паук), в задачу которого будет входить сбор информации со страниц yandex для поиска похожих ключевых слов, которые мы будем использовать в раскрутке нашего проекта. И напишем данный парсер на PHP
Как же нам может помочь parser?
Мы получаем список сходных фраз, которыми пользуются посетители яндекса при поиске нашей тематики, и в дальнейшем сможем ориентироваться на них при написании материалов на нашем сайте, оцениваем спрос к тематике нашего сайта. А так же это даст нам возможность определить поисковые запросы с меньшей конкурентной борьбой сходной тематики, чтобы выйти по ним в ТОП поисковой системы Yandex. Как следствие, благодаря этой информации мы расширим аудиторию нашего проекта.
А откуда мы можем получить информацию по похожим поисковым запросам Yandex?
Дело в том, что при поиске Яндекс подсказывает сам, отображая блок внизу страницы: Вместе с «[фраза для поиска]» ищут — несколько подобных поисковых запросов.
Вверху в левой части каждой страницы указывает, сколько нашлось вариантов, например:
создать сайт — Нашлось 104 млн ответов
Итак, какие же задачи поставим перед скриптом – парсером?
- Возможность рекурсивного парсинга похожих поисковых запросов с определением уровня вложенности
- Если не найдено ни одного похожего запроса по указанной фразе (а такое тоже бывает), попробуем просмотреть запросы по её сокращению:Например, если ввести фразу Создать Сайт Харьков, то похожих поисковых запросов не будет в выдаче поисковика, но если ввести: создать сайт – они появятся. Ограничимся урезанием фразы на одно слово вконце.
- Обходить парсер будет не только одну фразу, а займётся обработкой целого списка из фраз (передадим массивом)
- Сохранение найденных поисковых фраз и их встречаемостью в файл
Нюансы:
Поставим задержку на опрос поисковой системы (не меньше 2 секунд, а то и до 30 секунд в случайном порядке) на каждый поисковый запрос. Мы же не хотим, чтобы Яша нас «отругал» за плохое поведение?
PHP:
<?php
function getURIContent($url){
$tuCurl = curl_init();
$tuData = '';
if($tuCurl && is_resource($tuCurl)){
$opts = array(
CURLOPT_URL => $url,
CURLOPT_HTTPGET => 1,
CURLOPT_HEADER => 0,
CURLOPT_RETURNTRANSFER => 1,
CURLOPT_FOLLOWLOCATION => 1,
CURLOPT_BINARYTRANSFER => 1,
CURLOPT_AUTOREFERER => 1,
CURLOPT_CONNECTTIMEOUT => 90,
CURLOPT_USERAGENT => $_SERVER['HTTP_USER_AGENT'],
CURLOPT_COOKIEJAR => dirname(__FILE__)."/cookie.txt",
CURLOPT_COOKIEFILE => dirname(__FILE__)."/cookie.txt",
CURLOPT_REFERER => $url
);
foreach($opts as $key=>$value){
curl_setopt($tuCurl,$key,$value);
}
$tuData = curl_exec($tuCurl);
curl_close($tuCurl);
}
return $tuData;
}
function parseRecursive($question,$max_depth,$first = true){
global $time_wait;
$time_wait = $time_wait < 2 ? 2 : $time_wait;
$rand = mt_rand($time_wait, $time_wait + 30);
sleep($rand);
$question = urlencode($question);
$where = 'http://yandex.ua/yandsearch?text='.$question;
$content = getURIContent($where);
$found = false;
if(!empty($content)){
$how_many= array();
preg_match_all('~<strong[^>]*?class="b-head-logo__text"[^>]*?>(.*?)</strong>~is',$content,$how_many);
$numbers= '';
if(is_array($how_many)
&& isset($how_many[1][0])
&& !empty($how_many[1][0])){
$numbers = trim($how_many[1][0]);
$numbers = preg_replace("~<br[^>]*?>~is",' ', $numbers);
$numbers = str_ireplace(" ",' ', $numbers);
$numbers = str_ireplace("\r\n",' ', $numbers);
$numbers = str_ireplace("\r",' ', $numbers);
$numbers = str_ireplace("\n",' ', $numbers);
$numbers = str_ireplace("\t",' ', $numbers);
$numbers = str_ireplace("\p",' ', $numbers);
$numbers = str_ireplace("\b",' ', $numbers);
$numbers = html_entity_decode($numbers,ENT_QUOTES,'UTF-8');
$numbers = strip_tags($numbers);
}
if(!empty($numbers)){
$numbers = urldecode($question) . ' - ' . $numbers. "\n";
$fp = fopen(WHERE_TO_SAVE,'a+');
if($fp && is_resource($fp)){
echo 'ADDING '.$numbers. "<br />\n";
flock($fp,LOCK_EX);
fwrite($fp,$numbers);
flock($fp,LOCK_UN);
fclose($fp);
}
}
$related= array();
$links = array();
preg_match_all('~<table[^>]*?class="b-related__table"[^>]*?>(.*?)</table>~is',$content,$related);
/* <a[^>]*?href=("|\')([^"\']*?)(\1)[^>]*?>(.*?)</a> */
if(is_array($related[1]) &&
isset($related[1][0])
&& $max_depth){
--$max_depth;
preg_match_all('~<a[^>]*?href=("|\')([^"\']*?)(\1)[^>]*?>(.*?)</a>~is',$related[1][0],$links);
if(is_array($links)
&& isset($links[2])
&& isset($links[4])
&& sizeof($links[2])
&& sizeof($links[4])
&& $max_depth){
$sizeof = sizeof($links[4]);
for($i = 0; $i < $sizeof; $i ++){
$text = '';
$text = trim($links[4][$i]);
$text = preg_replace("~<br[^>]*?>~is",' ', $text);
$text = str_ireplace(" ",' ', $text);
$text = str_ireplace("\r\n",' ', $text);
$text = str_ireplace("\r",' ', $text);
$text = str_ireplace("\n",' ', $text);
$text = str_ireplace("\t",' ', $text);
$text = str_ireplace("\p",' ', $text);
$text = str_ireplace("\b",' ', $text);
$text = html_entity_decode($text,ENT_QUOTES,'UTF-8');
$text = strip_tags($text);
if(!empty($links[2][$i]) && !empty($text)){
parseRecursive($text,$max_depth,false);
}
}
}
} elseif (is_array($related[1]) && $max_depth){
$question = urldecode($question);
$words= array();
$words= explode(' ',$question);
$sizeof= sizeof($words);
$words= array_map('trim',$words);
--$sizeof;
$words= array_slice($words,0,$sizeof);
$question = join(' ',$words);
if(strlen($question) > 4){
--$max_depth;
if($max_depth){
parseRecursive($question,$max_depth,false);
}
}
}
}
}
ini_set('max_execution_time',999999);
ini_set('max_input_time',999999);
$max_depth = 2;
$time_wait = 2;
$questions = array('создать сайт',
'сайт на joomla',
'создать сайт Харьков',
'сайт на wordpress');
define('WHERE_TO_SAVE',dirname(__FILE__).'/prases.txt');
if(!is_file(WHERE_TO_SAVE)){
$fp = fopen(WHERE_TO_SAVE,'w+');
if($fp && is_resource($fp)){
fclose($fp);
}
if(is_file(WHERE_TO_SAVE) && !is_writable(WHERE_TO_SAVE)){
chmod(WHERE_TO_SAVE,0777);
}
}
if(is_file(WHERE_TO_SAVE)){
$fp = fopen(WHERE_TO_SAVE,'w+');
if($fp && is_resource($fp)){
fclose($fp);
}
}
if(is_file(WHERE_TO_SAVE) && is_writable(WHERE_TO_SAVE)){
$sizeof = sizeof($questions);
for($i = 0; $i < $sizeof; $i ++){
parseRecursive($questions[$i],$max_depth);
};
};
?>
Итак, что же здесь происходит:
Для начала с помощью ini_set установим побольше время выполнения для скрипта.
В переменной $max_depth укажем, сколько вложенных уровней «обходить» (на какую глубину «погружаться») для сбора похожих фраз.
Например: $max_depth = 2; — находим похожие поисковые фразы, переходим по каждой из них, и собираем результаты по похожим уже на них поисковым фразам.
Совет: не делайте слишком большим уровень вложенности. Иначе сильно отклонитесь от первоначальной тематической фразы.
Переменной $time_wait указываем, сколько секунд ждать до следующего запроса к поисковику.
Обратите внимание – 2 секунды – это минимальное значение. Иначе сайт выдаст вам капчу или наложит бан по ай-пи адресу.
В массив $questions = array(‘создать сайт’,’сайт на joomla’,’создать сайт Харьков’,’сайт на wordpress’); — списком строк через запятую добавляем запросы для обработки parser ом.
Далее, определяем, существует ли файл prases.txt – в который мы и добавим найденный результат. Если не существует, создаём его и делаем доступным на запись.
После этого обходим массив $questions и передаём каждый запрос функции parseRecursive вместе с уровнем вложения.
(void) function parseRecursive($question,$max_depth,$first = true): принимает одну поисковую фразу (string)$questions[$i] и уровень вложенности поиска $max_depth, а так же неявный флаг (bool) $first, для определения, в какой раз подряд вызывается функция (для чего, рассмотрим ниже).
В функции мы кодируем для возможности передачи в виде запроса нашу ключевую фразу с помощью urlencode и получаем содержимое запроса в функции getURIContent, основанной на curl. После чего регулярным выражением ~<strong[^>]*?class=»b-head-logo__text»[^>]*?>(.*?)</strong>~is узнаём, сколько раз встречается данный поисковой запрос.
Очищаем полученный запрос от html и спец символов. Помещаем выражение и количество найденных страниц по этой поисковой фразе в файл prases.txt.
Исследуем содержимое полученной страницы на предмет содержания «похожих поисковых запросов» ~<table[^>]*?class=»b-related__table»[^>]*?>(.*?)</table>~is.
Если похожие поисковые фразы найдены, извлекаем ссылки на них и их анкоры: ~<a[^>]*?href=(«|’)([^»‘]*?)(\1)[^>]*?>(.*?)</a>~is
При этом уменьшая на единицу наш уровень вложенности —$max_depth
Если уровень вложенности позволяет (отличен от нуля), передаём анкоры (текст, заключённый в тег a) рекурсивно в функцию parseRecursive. Обрабатываем следующий уровень.
Если же на странице не было найдено по указанной поисковой фразе ни одного результата, и вызов функции parseRecursive был осуществлён впервые (неявный флаг $first со значением true) то проверяем, содержит ли слова поисковый запрос? (Разбиваем по пробельному символу фразу на слова). Исключаем последнее слово, и передаём полученное словосочетание заново функции parseRecursive.
Примечание автора: для получения содержимого страниц по указанным поисковым запросам используется функция getURIContent, которая принимает адрес страницы и возвращает её содержимое.
Её работа основывается на curl, что даёт ряд преимуществ перед url wrapper ами функции file, fopen, file_get_contents и т.п.:
- Более быстрый процесс получения информации
- Передача referrer, cookie, user agent
- Управление временем ожидания (таймаутом) на получение информации
- Возможность корректно перейти по всем пере направлениям (Location:), если таковые встречаются
- Бинарная передача данных
В следующих статьях мы поведаем Вам более подробно о возможностях функции curl и приведём другие интересные примеры её использования.
Замечание: каждый программист должен задаваться не только вопросом, что было сделано хорошо, но и «а что можно было бы сделать лучше» (оптимизация кода, повышение качества результата, удобная подача информации и т.п.).
- Убрать дубли фраз, обнаруженные при поиске.
- Для получения более достоверных вариантов проверять, встречается хотя бы одно слово из целевого поискового словосочетания, заданного в $questions в фразах, обнаруженных при многоуровневом обходе страниц
- Каждый результат поиска записать в отдельный файл.
- Визуализировать результат при помощи графиков
Задание для тех, кто учит parser-ы на PHP:
Для выполнения этой же задачи напишите парсер, который обходит wordstat yandex
Еще один источник информации о том, как создать паука-парсера на PHP
В следующих статьях мы поговорим о примерах использования curl, регулярных выражениях, и о слайдерах изображений на php + javascript (разберём, например: Easy Slider 1.7 — Навигационный jQuery Слайдер).