PHP 抓取「深圳之窗」新聞實戰：列表頁與內容頁解析範例

法律與道德提醒

抓取第三方網站內容前，請確認 robots.txt、服務條款與著作權法，僅供學習研究，勿用於商業或大量複製。

步驟 1：分析目標頁面結構

以「科技新聞」列表頁 https://news.szptt.net.cn/kjxw.phtml 為例，觀察 HTML 原始碼，找出穩定特徵：

• 新聞列表包裹在 <ul>...</ul>。
• 每則新聞為 <li>...</li>。
• 連結指向詳細頁，URL 含日期與編號。

步驟 2：抓取列表頁 (readNews.php)

 後的內容
    $parts = explode('
', $html);
    $items = explode('', $parts[1]);
    for ($i = 0; $i < 15; $i++) {
        echo $items[$i]; // 直接輸出含連結的 li 內容
    }
}
?>

步驟 3：解析詳細頁 (readNewsDetail.php)

 標籤
$parts = explode('echo "";', $html); // 此處原文有誤，應為實際標籤
for ($i = 4; $i < 6; $i++) {
    echo $parts[$i];
}
?>

關鍵技巧總結

1. 先看原始碼：瀏覽器「檢視原始碼」尋找唯一且穩定的標記 (如特定 class、id、註解)。
2. 善用 explode/split：以固定字串切割，比正則更簡單快速。
3. 容錯處理：file() 失敗時回傳 false，需檢查；編碼轉換 (iconv/mb_convert_encoding) 避免亂碼。
4. 快取機制：抓取結果寫入本地快取檔，設定 TTL 減少對源站請求。
5. User-Agent 偽裝：部分站點封鎖預設 PHP User-Agent，可用 ini_set('user_agent', 'Mozilla/...')。

現代化替代方案

• DOMDocument::loadHTMLFile() + DOMXPath 結構化解析。
• Guzzle + Symfony DomCrawler / Goutte 等成熟爬蟲套件。
• 遵守 robots.txt、限制請求頻率、錯誤重試機制。