如何使用PHP蜘蛛爬虫框架来爬取数据

这篇文章主要介绍了如何使用PHP蜘蛛爬虫框架来爬取数据的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇如何使用PHP蜘蛛爬虫框架来爬取数据文章都会有所收获，下面我们一起来看看吧。
　　我的环境是宝塔lnmp，php是5.4版本，不要用这个版本，缺各种扩展库
　　错误1：没有该扩展，不需要再php.ini中配置
　　错误2：缺这个扩展库，不需要再php.ini中配置
　　跑跑的报这个错：PHP Fatal error: Call to undefined function phpspidercoremb_detect_encoding() in / on line 474
　　解决方法：执行 yum install php-mbstring -y
　　1、在linux上跑demo。
　　条件：linux上要有php环境，代码上传上去，执行php -f demo.php
　　想退出这个页面执行quit 或 ctrl + c
　　你可能会疑惑，这要跑，爬来的数据放到哪里了呢？？
　　2、需要在$configs中加这俩个配置（参考文档configs详解之成员）：
　　//日志存放的位置
　　’log_file’ => ”,
　　’export’ => array(
　　’type’ => ‘csv’,
　　’file’ => ”, //爬下来的数据放在data目录下，目录和文件要自己提前创建好
　　)这里是存成了csv需要下载到本地电脑上看，因为这是个excel还是下载下来方便看
　　当然你也可以存到数据库等
　　3、下面是一个完整的实例：
　　3.1、思路 ：具体还是要看代码，思路只是方便理解和记忆
　　//这个页面是网站首页
　　//这个页面是列表页
　　//这个页面是列表页下面的页码
　　这回我们就清晰了，我们要爬取的是列表页的数据：
　　3.1.1、接下来设置爬取规则
　　3.1.2、实例化，将配置传给这个类的构造函数
　　3.1.3、添加新的url到带爬对列
　　3.1.4、筛选爬到的数据，如标题弄出来，内容弄出来，并组装好数据…
　　3.1.5、进行入库操作
　　3.2、代码
　　

　　require ”;
　　use phpspidercorephpspider;
　　use phpspidercorerequests; //请求类
　　use phpspidercoreselector; //选择器类
　　use phpspidercoredb; //选择器类
　　use phpspidercorelog; //选择器类
　　$configs=array(
　　’name’=> ‘爬取新闻’,
　　//’log_show’=> true,
　　//定义爬虫爬取哪些域名下的网页, 非域名下的url会被忽略以提高爬取速度
　　’domains’=> array(
　　” //写域名
　　),
　　//定义爬虫的入口链接, 爬虫从这些链接开始爬取,同时这些链接也是监控爬虫所要监控的链接
　　’scan_urls’=> array(
　　”
　　),
　　//定义内容页url的规则
　　’content_url_regexes’=> array(
　　””
　　),
　　//爬虫爬取每个网页失败后尝试次数
　　’max_try’=> 5,
　　//爬虫爬取数据导出
　　’export’=> array(
　　’type’=> ‘db’,
　　’table’=> ‘pachong’, //表名
　　),
　　’db_config’=> array(
　　’host’=> ‘localhost’,
　　’port’=> 3306,
　　’user’=> ‘改成自己的’, //mysql的账号
　　’pass’=> ‘改成自己的’, //mysql的密码
　　’name’=> ‘改成自己的’, //库名
　　),
　　’fields’=> array(
　　//从列表页开始爬
　　array(
　　’name’=> “lists”,
　　’selector’=> “‘container’)]//ul//li[contains(@class,’item’)]”,
　　’required’=> true,
　　’repeated’=> true //写上是数组（抓的是整个列表页），不写是字符串（只抓第一个）
　　),
　　),
　　//日志存放的位置
　　’log_file’=> ‘data/qiushibaike.log’,
　　//只记录 错误和调试日志
　　’log_type’=> ‘error,debug,warn,error’,
　　//爬虫爬取网页所使用的浏览器类型.随机浏览器类型，用于破解防采集
　　’user_agent’=> array(
　　”Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36″,
　　”Mozilla/5.0 (iPhone; CPU iPh免费云主机域名one OS 9_3_3 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13G34 Safari/601.1″,
　　”Mozilla/5.0 (Linux; U; Android 6.0.1;zh_cn; Le X820 Build/FEXCNFN5801507014S) AppleWebKit/537.36 (KHTML, like Gecko)Version/4.0 Chrome/49.0.0.0 Mobile Safari/537.36 EUI Browser/5.8.015S”,
　　),
　　//爬虫爬取网页所使用的伪IP。随机伪造IP，用于破解防采集
　　’client_ip’=> array(
　　’192.168.0.2′,
　　’192.168.0.3′,
　　’192.168.0.4′,
　　),
　　);
　　$spider=new phpspider($configs);
　　//爬虫初始化时调用, 用来指定一些爬取前的操作
　　$spider->on_start=function($spider)
　　{
　　requests::set_header(“Referer”, “”);
　　};
　　//在爬取到入口url的内容之后, 添加新的url到待爬队列之前调用. 主要用来发现新的待爬url, 并且能给新发现的url附加数据（点此查看“url附加数据”实例解析）.
　　$spider->on_scan_page=function($page,$content,$spider){
　　//列表页只采集3页。
　　for($i=0;$i

　　if($i==0){ //第一页
　　$url=””;
　　}else{ //之后的n页
　　$url=””;
　　}
　　$options=[
　　’method’=> ‘get’,
　　’params’=> [
　　’page’=> $i
　　],
　　];
　　$spider->add_url($url,$options); //添加新的url到待爬队列
　　}
　　};
　　$spider->on_extract_field=function($filename,$data,$page){
　　$arr=[];
　　//处理抽取到的fields中name==lists的数据
　　if($filename==’lists’){
　　if(is_array($data)){
　　foreach($data as $k=>$v){
　　$img=selector::select($v,””);
　　//如果该新闻没有图片，就删除这条数据
　　if(empty($img)){
　　unset($data[$k]);
　　}else{
　　$url=””;
　　$title=trim(selector::select($v,””)); //抓列表页的标题
　　//抓列表页的图片
　　if(substr(selector::select($v,””),0,1)){
　　$title_imgs=selector::select($v,””);
　　}else{
　　$title_imgs=$url . ltrim(selector::select($v,””),’.’);
　　}
　　$title_desc=trim(selector::select($v,””)); //抓列表页的新闻简介
　　//抓文章，跳转到内容页
　　$p=’/
　　$title_url=selector::select($v,$p,’regex’);
　　if(substr($title_url,0,1)==’h’){
　　$title_link=$title_url;
　　}else{
　　$title_link=$url . ltrim($title_url,’.’);
　　}
　　$title_time=strip_tags(selector::select($v,””)); //抓列表页的时间
　　//组装数据
　　$arr[$k]=[
　　’title’=> $title,
　　’title_imgs’=> $title_imgs,
　　’title_desc’=> $title_desc,
　　’title_link’=> $title_link, //前往内容页的链接
　　’title_time’=> $title_time,
　　];
　　}
　　}
　　}
　　}
　　return $arr;
　　};
　　//入库操作
　　$spider->on_extract_page=function($page,$data){
　　// echo ”
　　// var_dump($data);
　　// die;
　　//处理哪个数据
　　if(isset($data[‘lists’])){
　　foreach($data[‘lists’] as $v){
　　$arr=[
　　’title’=> trim($v[‘title’]),
　　’title_imgs’=> urlencode($v[‘title_imgs’]),
　　’title_desc’=> $v[‘title_desc’],
　　’title_link’=> urlencode($v[‘title_link’]),
　　’title_time’=> $v[‘title_time’]
　　];
　　//标题重复就不入库
　　$sql=”select count(*) as ——count—— from ——pachong—— where ——title——”.$v[‘title’];
　　$row=db::get_one($sql);
　　if(!$row[‘count’]){
　　db::insert(‘pachong’,$arr);
　　}
　　}
　　$data=$arr;
　　}
　　return $data;
　　};
　　$spider->start();
　　3.3、表的结构
　　4、按照作者的思想，每次爬取之前先要测试一下，该网站能不能爬到（参考文档：如何进行运行前测试）
　　注意：这是测试用的，该页面请用浏览器直接访问，方便查看关于“如何使用PHP蜘蛛爬虫框架来爬取数据”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“如何使用PHP蜘蛛爬虫框架来爬取数据”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注百云主机行业资讯频道。

相关推荐: Ubuntu如何删除一个服务

这篇文章主要为大家展示了“Ubuntu如何删除一个服务”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“Ubuntu如何删除一个服务”免费云主机域名这篇文章吧。Ubuntu简介Ubuntu是一个以桌面应用为主的Linu…