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 phpspider\core\mb_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

　　<?php

　　require '';

　　use phpspider\core\phpspider;

　　use phpspider\core\requests;    //请求类

　　use phpspider\core\selector;    //选择器类

　　use phpspider\core\db;    //选择器类

　　use phpspider\core\log;    //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 iPhone 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<3;$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='/<h4><a[^<>]+href * \=*["\']?([^\'"\+]).*?/i';

　　$title_url=selector::select($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 "<pre>";

　　//    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

　　$sql="select count(*) as &mdash;&mdash;count&mdash;&mdash; from &mdash;&mdash;pachong&mdash;&mdash; where &mdash;&mdash;title&mdash;&mdash;".$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，欢迎关注亿速云行业资讯频道。