PHP 實作洪恩線上成語詞典爬蟲：從編碼轉換到內容擷取完整教學

前言

想自動查詢成語釋義？洪恩線上成語詞典（study.hongen.com）提供豐富的成語資料，但缺乏公開 API。本文示範如何用 PHP 打造一個輕量級爬蟲，核心採用 file_get_contents 取得遠端頁面，並解決編碼轉換與 HTML 切片的關鍵細節。

核心難點：JavaScript escape 編碼的 PHP 移植

洪恩查詢介面要求傳遞的成語關鍵字必須經過 JavaScript escape() 編碼。PHP 沒有內建相同函式，需自行實作：

<?php
function escape($str) {
    preg_match_all('/[\x80-\xff].|[\x01-\x7f]+/', $str, $r);
    $ar = $r[0];
    foreach ($ar as $k => $v) {
        if (ord($v[0]) < 128) {
            $ar[$k] = rawurlencode($v);
        } else {
            $ar[$k] = '%u' . bin2hex(iconv('GB2312', 'UCS-2', $v));
        }
    }
    return join('', $ar);
}
?>

此函式將字串拆解為單字元或多位元組序列，ASCII 字元用 rawurlencode，非 ASCII 字元轉為 %uXXXX 格式，完整模擬 JS escape 行為。

查詢函式：取得並清洗成語解釋

<?php
function chacy($chengyu) {
    $chengyu = escape($chengyu);
    $url = 'https://study.hongen.com/dict/ndsearchchengyu.aspx?type=exact&word=' . $chengyu;
    $text = @file_get_contents($url);

    // 只保留主要內容區塊
    $pos1 = strpos($text, '<table class="root">');
    $pos2 = strrpos($text, '<table class="english">');
    $text = substr($text, $pos1, $pos2 - $pos1);

    // 編碼轉換：洪恩回傳 UTF-8，轉為 GB2312 並忽略非法字元
    $text = iconv('UTF-8', 'GB2312//IGNORE', $text);

    // 以「出處」字樣判斷是否成功取得資料
    if (strpos($text, '出處')) {
        return $text;
    }
    return false;
}
?>

關鍵說明：

• 使用 strpos/strrpos 定位兩個 <table> 標籤，精準切出成語釋義區塊（含拼音、釋義、出處、例句）。
• iconv 後附加 //IGNORE，避免遇到特殊字元（如漢字「一」）導致轉換中斷。
• 回傳前檢查「出處」關鍵字，確保資料完整性。

使用範例

<?php
require_once 'chengyu_func.php'; // 假設上述函式存放於此檔案

$keyword = '畫蛇添足';
$result = chacy($keyword);
if ($result) {
    echo $result; // 直接輸出 HTML 片段，可嵌入頁面
} else {
    echo '查無此成語或擷取失敗';
}
?>

注意事項與延伸

• 目標網站若改版，HTML 結構變更會導致切片失效，需定期維護選取邏輯。
• 大量查詢時建議加入快取機制（如 Redis、檔案快取），減輕對方伺服器負擔並提升回應速度。
• 若需支援更多詞典來源，可將「編碼轉換、內容切片、關鍵字驗證」封裝為通用介面，依不同站點實作具體策略。

原始碼出處：凡人博客原創，轉載請註明。