PHP 網頁爬蟲實作：以 PCLady 情感技巧頁面為例

網頁爬蟲是資料蒐集的常用技術，本文透過一個實際的 PHP 範例，示範如何從 PCLady 情感技巧首頁抓取文章標題與連結，再進入內容頁擷取詳細資訊。程式碼使用 file_get_contents 取得網頁原始碼，搭配正則表達式解析 HTML 結構，最後透過迴圈逐一處理每篇文章。

核心程式碼解析

<?php
// 目標首頁網址
$url = "https://emotion.pclady.com.cn/skills/";
// 取得頁面原始碼
$rs = file_get_contents($url);
// 設定標題匹配正則：擷取 <i class="titles"><a href="...">標題</a></i>
$preg = '/<i\s+class="titles"><a\s+href="[^>]+">(.*)<\/a><\/i>/i';
preg_match_all($preg, $rs, $title);
$count = count($title[0]);
echo $count . "<br>";

// 逐一處理每篇文章
for ($i = 0; $i < $count; $i++) {
    // 從標題區塊擷取內容頁連結
    $pr = '/<a\s+href="[^>]+">/isU';
    preg_match_all($pr, $title[0][$i], $jurl);
    $substr = substr($jurl[0][0], 9);
    $curl = substr($substr, 0, -18);
    
    // 取得內容頁原始碼
    $c = file_get_contents($curl);
    // 嘗試匹配內容頁特定連結（這裡是問題所在）
    $pc = '/<a\s+href="[^>]+">/i';
    preg_match($pc, $c, $content);
    
    // 輸出除錯資訊
    echo $title[0][$i] . "<br>";
    echo $title[1][$i] . "<br>";
    $concount = count($content[0]);
    echo $concount . "<br>";
    echo $content[0][0];
}
?>

常見問題：正則表達式只匹配到「<」字元

原詢問者發現 $pc 正則只匹配到「<」而非完整的 <a href=... 標籤。主要原因有二：

1. 貪婪與非貪婪模式：原模式 /<a\s+href="[^>]+">/i 中的 [^>]+ 雖為非貪婪，但若 HTML 屬性包含 > 字元（如 title="a>b"），會導致提早結束。建議改用 /<a\s+href="([^"]*)"[^>]*>/i 並擷取第 1 群組。
2. 內容頁編碼與結構差異：file_get_contents 取得的可能是壓縮、編碼不同或經 JavaScript 渲染的內容，導致正則無法匹配。建議先 var_dump($c) 確認實際內容，或改用 DOMDocument 解析 HTML，更穩健。

改良建議

• 使用 DOMDocument + DOMXPath 取代正則，避免 HTML 結構變動導致失效。
• 加入 set_time_limit(0) 與錯誤處理，避免長時間執行中斷。
• 遵守 robots.txt 與網站使用條款，適當延遲請求（如 usleep(500000)）。

掌握基本爬蟲邏輯後，可擴展為定時任務、資料庫存儲、多執行緒並發等進階應用。