PHP 百度收錄量與快照日期查詢函數實現

功能簡介

提供兩個獨立 PHP 函數，透過抓取百度搜尋結果頁 HTML 並以正則/字串截取方式，解析出：

1. 站點收錄量：site:domain 查詢返回的「找到相關網頁約 X 頁」。
2. 首頁快照日期：domain 直接查詢，從結果中提取綠色字體顯示的快照時間 (如 37K 2008-9-13)。

完整程式碼

<?php
/**
 * 百度 SEO 查詢工具類
 * 注意：百度反爬極嚴格，簡單抓取極易失效，建議配合代理 IP、Headless Chrome 或官方 API 使用
 */
class BaiduSeoTools {
    private $userAgent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36';

    /** 通用抓取 */
    private function fetch($url) {
        $ch = curl_init($url);
        curl_setopt_array($ch, [
            CURLOPT_RETURNTRANSFER => 1,
            CURLOPT_CONNECTTIMEOUT => 10,
            CURLOPT_TIMEOUT => 20,
            CURLOPT_USERAGENT => $this->userAgent,
            CURLOPT_SSL_VERIFYPEER => false,
            CURLOPT_FOLLOWLOCATION => true,
            CURLOPT_ENCODING => 'gzip,deflate', // 百度回傳壓縮內容
            CURLOPT_COOKIEJAR => '', // 啟用記憶體 Cookie
        ]);
        $html = curl_exec($ch);
        $errno = curl_errno($ch);
        curl_close($ch);
        if ($errno) return false;
        // 百度頁面通常為 UTF-8，若為 GBK 需轉碼
        // if (mb_detect_encoding($html, 'GBK,UTF-8') === 'GBK') $html = mb_convert_encoding($html, 'UTF-8', 'GBK');
        return $html;
    }

    /** 字串截取輔助：取 $start 和 $end 之間內容 */
    private function cut($string, $start, $end) {
        $pos1 = strpos($string, $start);
        if ($pos1 === false) return '';
        $pos1 += strlen($start);
        $pos2 = strpos($string, $end, $pos1);
        if ($pos2 === false) return '';
        return substr($string, $pos1, $pos2 - $pos1);
    }

    /**
     * 查詢收錄量
     * @return string 數量字串 (已移除逗號) 或 "0"
     */
    public function getIndexCount($domain) {
        $url = "https://www.baidu.com/s?wd=site:" . urlencode($domain);
        $html = $this->fetch($url);
        if (!$html) return "0";

        // 嘗試多種關鍵字模式 (百度頁面結構常變)
        $patterns = [
            '找到相關網頁約',
            '找到相關網頁',
            '百度為您找到相關結果約',
            'results-num">', // 可能的 class
        ];
        $endMarkers = ['頁', '個', '条', ''];

        foreach ($patterns as $start) {
            foreach ($endMarkers as $end) {
                $num = $this->cut($html, $start, $end);
                if ($num !== '') {
                    return str_replace(',', '', trim($num));
                }
            }
        }
        return "0";
    }

    /**
     * 查詢首頁快照日期
     * @return string 日期字串 (如 "2023-10-15") 或 "無"
     */
    public function getSnapshotDate($domain) {
        $url = "https://www.baidu.com/s?wd=" . urlencode($domain);
        $html = $this->fetch($url);
        if (!$html) return "無";

        // 百度快照通常在綠色字體中：domain ... 37K 2023-10-15
        // 嘗試定位域名後的綠色區塊
        $startMarker = '' . $domain;
        $snippet = $this->cut($html, $startMarker, '');
        
        if ($snippet === '') {
            // 備用：搜尋所有綠色字體
            if (preg_match_all('/(.*?)<\/font>/is', $html, $m)) {
                foreach ($m[1] as $snippet) {
                    if (stripos($snippet, $domain) !== false) break;
                }
            }
        }

        if ($snippet !== '') {
            // 格式通常: "37K 2023-10-15" 或 "2023-10-15"
            if (preg_match('/(\d{4}-\d{1,2}-\d{1,2})/', $snippet, $m)) {
                return $m[1];
            }
            // 兼容舊格式 "2008-9-13"
            if (preg_match('/(\d{4}-\d{1,2}-\d{1,2})/', $snippet, $m)) {
                return $m[1];
            }
        }
        return "無";
    }
}

// ===== 使用範例 =====
$baidu = new BaiduSeoTools();
$domain = 'example.com';

echo "收錄量: " . $baidu->getIndexCount($domain) . PHP_EOL;
echo "快照日期: " . $baidu->getSnapshotDate($domain) . PHP_EOL;
?>

$encoding = mb_detect_encoding($html, 'GBK,UTF-8,BIG5');
if ($encoding !== 'UTF-8') $html = mb_convert_encoding($html, 'UTF-8', $encoding);

use Symfony\Component\DomCrawler\Crawler;

$crawler = new Crawler($html);
// 収錄量
$text = $crawler->filter('.nums_text, .result-stats, #result-stats')->text();
// 快照日期
$crawler->filter('font[color="#008000"], .c-color-gray, .g-time')->each(function (Crawler $node) use ($domain) {
    if (stripos($node->text(), $domain) !== false) {
        // 提取日期
    }
});