PHP 爬取笑話集網站數據的後端邏輯：解析列表頁與內容頁，提取笑話正文與翻頁鏈接

笑話集網站數據采集 PHP 類實作

<?php
include_once('writeLog.php');

class Joke {
    public $jokeText = '';
    public $urlNext = '';
    public $urlPrv = '';
    public $urlBase = 'https://wap.jokeji.cn/';

    public function __construct() {}

    // 獲取並解析內容頁
    public function getContent($url) {
        MyLog('url.log', $url);
        // 網站編碼為 gb2312，需轉 UTF-8
        $html = file_get_contents(iconv('gb2312', 'UTF-8', $url));

        // 提取笑話正文
        $begin = stripos($html, '<div class="joketxt">') + 23;
        $end   = stripos($html, '<script', $begin);
        $text  = substr($html, $begin, $end - $begin);
        $text  = str_ireplace(['<p>', '</p>', '<br>'], ['', '', "\r\n"], $text);
        $this->jokeText = $text;

        // 提取上一篇鏈接
        $begin = stripos($html, '上一篇：<a');
        if ($begin !== false) {
            $begin += 27;
            $end = stripos($html, '"', $begin);
            $this->urlNext = substr($html, $begin, $end - $begin);
        }

        // 提取下一篇鏈接
        $begin = stripos($html, '下一篇：<a');
        if ($begin !== false) {
            $begin += 27;
            $end = stripos($html, '"', $begin);
            $this->urlPrv = substr($html, $begin, $end - $begin);
        }
    }

    // 獲取列表頁第一條鏈接
    public function getFirstLink() {
        $html = file_get_contents($this->urlBase);
        $begin = stripos($html, '<div class="list">') + 42;
        $end   = stripos($html, '"', $begin);
        return substr($html, $begin, $end - $begin);
    }

    // 統一入口：返回結構化數據
    public function getJoke($u = '') {
        $url = $u ?: $this->urlBase . $this->getFirstLink();
        $this->getContent($url);
        return [
            'content'  => $this->jokeText,
            'next'     => $this->urlNext,
            'previous' => $this->urlPrv,
        ];
    }
}
// 使用示例：
// $joke = new Joke();
// $data = $joke->getJoke();
// var_dump($data);
?>

關鍵點說明

• 編碼轉換： 目標站為 GB2312，採集前必須 iconv('gb2312', 'UTF-8', $url)，否則中文亂碼。
• 定位策略： 使用 stripos 定位特徵標籤（<div class="joketxt">、上一篇：），再按相對偏移截取，結構簡單但依賴頁面結構穩定。
• 清洗處理： 移除 <p>, </p>，將 <br> 替換為換行符，得到純文本笑話內容。
• 翻頁邏輯： 同時提取「上一篇」與「下一篇」鏈接，支援雙向遍歷采集。

擴展建議

• 加入請求間隔（sleep()）避免觸發反爬蟲。
• 使用 cURL 替代 file_get_contents，支援 Cookie、Header、超時控制。
• 異常捕獲與重試機制，增強穩健性。
• 將數據入庫（MySQL/MongoDB/Redis）而非僅日志記錄。