phpspider 的简单使用
-
phpspider是一款PHP开发蜘蛛爬虫框架。
官方github下载地址:https://github.com/owner888/phpspider
官方文档下载地址:https://doc.phpspider.org/
由于官方文档可能会出现打不开的情况(我一开始试了很多次都打不开),这里提供一个网盘下载地址:链接:https://pan.baidu.com/s/1LfJOCw1rthN_luotF7iUDw 密码:cylb -
使用
代码下载下来后里面有几个例子,我这里就以代码中糗事百科为例,主要介绍几点注意事项。
1、代码必须放到命令行运行,可以使用 php -f 语句。
2、在代码中的例子糗事百科抓取网址写的是 http,运行不成功,要改成 https。
3、save_running_state 参数表示是否保存爬虫运行状态,如果选择了true,则会使用到redis。
4、抓取时默认使用的 selector 是 xpath,如果想使用其它的可以用 selector_type 参数修改,文档中介绍目前可用 xpath, jsonpath, regex,但是我看使用 css 也是可以的。
5、写 selector 时可以打开要抓取的页面,审查元素,选择要抓取的数据,右击->copy,选择 copy selector 或 copy xpath ,可以直接得到该元素的 selector。(这点在开发文档上也有相应的介绍)。
6、抓取的数据存储可以有三种选择,.csv 文件,.sql 文件,也可以直接插入数据库表中,选择相应的表名即可(要字段对应)。
下面贴上我修改后的代码:
<?php // composer下载方式 // 先使用composer命令下载: // composer require owner888/phpspider // 引入加载器 //require './vendor/autoload.php'; // GitHub下载方式 require_once __DIR__ . '/../autoloader.php'; use phpspider\core\phpspider; /* Do NOT delete this comment */ /* 不要删除这段注释 */ $configs = array( 'name' => '糗事百科', 'log_show' => true, 'tasknum' => 1, 'save_running_state' => false, 'domains' => array( 'qiushibaike.com', 'www.qiushibaike.com' ), 'scan_urls' => array( 'https://www.qiushibaike.com/' ), 'list_url_regexes' => array( "https://www.qiushibaike.com/8hr/page/\d+\?s=\d+" ), 'content_url_regexes' => array( "https://www.qiushibaike.com/article/\d+", ), 'max_try' => 5, //'proxies' => array( //'http://H784U84R444YABQD:57A8B0B743F9B4D2@proxy.abuyun.com:9010' //), //'export' => array( //'type' => 'csv', //'file' => '../data/qiushibaike.csv', //), //'export' => array( //'type' => 'sql', //'file' => '../data/qiushibaike.sql', //'table' => 'content', //), 'export' => array( 'type' => 'db', 'table' => 'content', ), 'db_config' => array( 'host' => '127.0.0.1', 'port' => 3306, 'user' => 'root', 'pass' => 'root', 'name' => 'test', ), // 'queue_config' => array( // 'host' => '127.0.0.1', // 'port' => 6379, // 'pass' => 'foobared', // 'db' => 5, // 'prefix' => 'phpspider', // 'timeout' => 30, // ), 'fields' => array( array( 'name' => "article_title", 'selector' => "//*[@id='single-next-link']//div[contains(@class,'content')]/text()[1]", 'required' => true, ), array( 'name' => "article_author", 'selector' => "//div[contains(@class,'author')]//h2", 'required' => true, ), array( 'name' => "article_headimg", 'selector' => "//div[contains(@class,'author')]//a[1]", 'required' => true, ), array( 'name' => "article_content", 'selector' => "//*[@id='single-next-link']//div[contains(@class,'content')]", 'required' => true, ), array( 'name' => "article_publish_time", 'selector' => "//div[contains(@class,'author')]//h2", 'required' => true, ), array( 'name' => "url", 'selector' => "//div[contain