ホームページ >バックエンド開発 >PHPチュートリアル >phpspider爬虫框架怎么用
phpspider爬虫框架怎么用?
这几天使用PHP的爬虫框架爬取了一些数据,发现还是挺方便的,先上爬虫框架的文档 phpspider框架文档(https://doc.phpspider.org/)
使用方法其实在文档中写的很清楚而且在demo中也有使用示例,这里放下我自己的代码做个笔记
<?php include "./autoloader.php"; use phpspider\core\phpspider; /* Do NOT delete this comment */ /* 不要删除这段注释 */ $configs = array( 'name' => '中国保温网', 'domains' => array( 'www.cnbaowen.net', 'cnbaowen.net' ), 'scan_urls' => array( 'http://www.cnbaowen.net/news/list-3720-1.html' ), 'export' => array( 'type' => 'db', 'table' => 'articles_mc', ), 'db_config' => array( 'host' => '127.0.0.1', 'port' => 3306, 'user' => 'root', 'pass' => '123456', 'name' => 'spider', ), 'content_url_regexes' => array( "http://www.cnbaowen.net/news/show-\d+.html" ), 'list_url_regexes' => array( "http://www.cnbaowen.net/news/list-3720-\d+.html" ), 'fields' => array( array( // 抽取内容页的文章内容 'name' => "title", 'selector' => "//h1[@id='title']", 'required' => true ), array( // 抽取内容页的文章作者 'name' => "content", 'selector' => "//div[@id='content']", 'required' => true ), array( // 抽取内容页的文章作者 'name' => "type" ), array( // 抽取内容页的文章作者 'name' => "site_id" ), ), ); $spider = new phpspider($configs); $spider->on_list_page = function($page, $content, $spider){ for ($i = 2; $i < 24; $i++) { $url = "http://www.cnbaowen.net/news/list-3720-{$i}.html"; $spider->add_url($url); } }; $spider->on_extract_field = function($fieldname, $data, $page){ if($fieldname == "type"){ return 2; }elseif($fieldname == "content"){ $s = preg_replace("/<div style=\"float:right[\s\S]*?div>/","",$data); $s = preg_replace('/<a .*?href="(.*?)".*?>/is',"<a href='#'>",$s); $data = preg_replace('/<img.*?>/is',"",$s); return $data; }elseif($fieldname == "site_id"){ return 1; }else{ return $data; } }; $spider->start();
注释:这里需要说明一点,抓取页面数据时我只需要标题和内容的部分,但是存入数据库时我需要使用到另外两个字段,所以定义字段的时候多定义了`type`和`site_id`两个字段,但是这两个字段的实际赋值是在 `on_extract_field` 回调函数中完成的
附带sql语句
CREATE TABLE `articles_mc` ( `id` int(10) unsigned NOT NULL AUTO_INCREMENT, `title` varchar(200) DEFAULT NULL, `content` text, `type` int(5) DEFAULT '0' COMMENT '文章类型 1行业资讯 2技术资料', `site_id` int(5) DEFAULT NULL COMMENT '站点id', PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=4887 DEFAULT CHARSET=utf8mb4;
更多相关技术文章,请访问PHP中文网!