PHP 获取百度热搜关键词：从 XML 解析到数据提取

周叙

发布时间：2026-10-15 | 6人浏览过

原创

百度热搜是捕捉当前热点话题的重要来源。对于开发者而言，通过脚本自动获取这些数据可以用于分析趋势或作为 AI 生成的背景参考。本文分享一段 PHP 代码，演示如何利用简单的 HTTP 请求与 XML 解析技术，提取百度“top10”榜单中的热搜词。

获取原理与目标

百度的热门搜索榜单接口返回的是经过特殊格式化的 XML 数据，其中包含了表格形式的排行信息。我们的目标是读取该接口，清洗非标准 XML 部分，使其能被 SimpleXML 正确解析，最终筛选出所有的关键词名称。

准备条件

环境：支持 PHP 5.x 及以上的服务器环境。
依赖：需启用 simplexml_load_string 函数及基本的 cURL 或文件读取权限。
注意：直接访问 http://top.baidu.com/rss_xml.php?p=top10 可能因防盗链或版本更新导致失败，若无法直接访问，可尝试更换为 HTTPS 或使用带 User-Agent 的请求方式。

操作步骤

第1步：下载原始 XML 数据

使用 file_get_contents 获取百度提供的 RSS XML 源文件。这是数据提取的起点。

<?php
$templateRss = file_get_contents('http://top.baidu.com/rss_xml.php?p=top10');
If (preg_match('/<table>(.*)<\/table>/is', $templateRss, $_description)) {
    $templateRss = $_description[0];
    // 转义实体字符以防后续解析出错
    $templateRss = str_replace("&", "&amp;", $templateRss);
}
// 补充缺失的 XML 声明头，确保被识别为标准 XML
$templateRss = "<?xml version=\"1.0\" encoding=\"GBK\"?>" . $templateRss;

重要参数说明：

encoding=\"GBK\"：百度旧版接口主要使用 GBK 编码，若服务器默认 UTF-8 可能导致乱码，建议在内存处理时留意编码转换。
正则匹配 /<table>(.*)<\/table>/is：用于锁定包含数据的主体表格区域，剔除头部无关信息。

第2步：解析 XML 数据结构

将清洗后的字符串加载为 SimpleXMLElement 对象，以便使用面向对象的方式进行遍历。

$xml = simplexml_load_string($templateRss);

第3步：遍历提取关键词

根据 HTML 结构，通常热榜数据位于 <tbody> 下的 <tr>（行）中，每个单元格 <td> 内包含链接 <a>。我们需要遍历这些层级以获取文本。

$keyArray = array();
foreach ($xml->tbody->tr as $temp) {
    if (!empty($temp->td->a)) {
        // 提取链接中的文本内容并去除首尾空格
        $keyArray[] = trim((string)$temp->td->a);
    }
}
return $keyArray;

完成判断：

检查返回的 $keyArray 是否为非空数组。
验证数组长度是否约为 10（对应 top10 榜单）。

排错指南

在实际运行过程中，可能会遇到以下问题：

解析错误（Invalid Argument）：通常是因为获取到的 HTML 片段不符合 XML 规范。请确认是否已添加 <?xml version=...> 声明，并确保 str_replace 正确处理了特殊符号。
空值返回：如果百度更新了页面结构，原有的 tbody 或 tr 路径可能失效。建议打印 print_r($xml) 查看实际的 DOM 结构路径。
编码乱码：若输出为中文乱码，说明系统默认编码不匹配。可在处理前加上 mb_convert_encoding($templateRss, 'UTF-8', 'GBK')。