关于php网络爬虫phpspider。

Posted 2020-09-23

       前几天，被老板拉去说要我去抓取大众点评某家店的数据，当然被我义正言辞的拒绝了，理由是我不会。。。但我的反抗并没有什么卵用，所以还是乖乖去查资料，因为我是从事php工作的，首先找的就是php的网络爬虫源码，在我的不懈努力下，终于找到phpspider，打开phpspider开发文档首页我就被震惊了，标题《我用爬虫一天时间“偷了”知乎一百万用户，只为证明PHP是世界上最好的语言 》，果然和我预料的一样，php就是世界上最好的语言。废话少说，下面开始学习使用。

      首先看的是提供的一个demo，代码如下：

  

$configs = array(
    ‘name‘ => ‘糗事百科‘,
    ‘domains‘ => array(
        ‘qiushibaike.com‘,
        ‘www.qiushibaike.com‘
    ),
    ‘scan_urls‘ => array(
        ‘http://www.qiushibaike.com/‘
    ),
    ‘content_url_regexes‘ => array(
        "http://www.qiushibaike.com/article/\d+"
    ),
    ‘list_url_regexes‘ => array(
        "http://www.qiushibaike.com/8hr/page/\d+\?s=\d+"
    ),
    ‘fields‘ => array(
        array(
            // 抽取内容页的文章内容
            ‘name‘ => "article_content",
            ‘selector‘ => "//*[@id=‘single-next-link‘]",
            ‘required‘ => true
        ),
        array(
            // 抽取内容页的文章作者
            ‘name‘ => "article_author",
            ‘selector‘ => "//div[contains(@class,‘author‘)]//h2",
            ‘required‘ => true
        ),
    ),
);
$spider = new phpspider($configs);
$spider->start();

每项具体的信息，可以去 https://doc.phpspider.org/demo-start.html 查看，哪里比较详细，这里只说下我走的弯路，

domains是定义采集的域名，只在该域名下采集，

content_url_regexes是采集的内容页，使用chrome查看网页源码，然后使用selector选择器定位，selector使用xpath格式定位参数，当然也可以用css来选择。

list_url_regexes列表页，每个列表页抓取多条content_url_regexes的url循环采集。
还有一些其他参数没有列出来，例如：

 ‘max_try‘ => 5,
   ‘export‘ => array(
        ‘type‘ => ‘db‘, 
        ‘conf‘ => array(
            ‘host‘  => ‘localhost‘,
            ‘port‘  => 3306,
            ‘user‘  => ‘root‘,
            ‘pass‘  => ‘root‘,
            ‘name‘  => ‘demo‘,
        ),
        ‘table‘ => ‘360ky‘,
    ),

max_try 同时工作的爬虫任务数。

export采集数据存储，有两种格式，一种是写到数据库中，一种是直接生成.csv格式文件。
只要url规则写的对，就可以运行，不用管框架里面的封装。当然，此框架只能在php-cli命令行下运行，所以使用前要先配置环境变量，或者cd到php安装路径运行。
最后成功采集到大众点评某点的一千多条数据。