PHP爬虫框架phpspider(二)

本篇写的demo是爬取军事网站，因为我是军事迷嘿嘿。

你们运行一下就好了，不要乱爬，爬虫是有爬取礼仪的，如果你爬取频率过高就是不礼貌的，会被封ip的。

先上文档：PHP蜘蛛爬虫开发文档 代码中不明白的可以进去搜索。

在demo目录中新建demo.php

<?php
require_once __DIR__ . '/../autoloader.php';
use phpspidercorephpspider;

/* Do NOT delete this comment */
/* 不要删除这段注释 */

$configs = array(
    'name' => '军事', // 给你的爬虫起一个名字
    'log_show' => false, // 是否显示日志
    'tasknum' => 1, // 开启多少个进程爬取
    // 数据库配置
    'db_config' => array(
        'host'  => '127.0.0.1',
        'port'  => 3306,
        'user'  => 'root',
        'pass'  => 'root',
        'name'  => 'collection',
    ),
    // 数据库表，表需要已存在，collection库，test表
    'export' => array(
        'type' => 'db',
        'table' => 'test',
    ),
    // 爬取的域名列表
    'domains' => array(
        'war.163.com'
    ),
    // 抓取的起点
    'scan_urls' => array(
        'http://war.163.com'
    ),
    // 列表页实例，你要爬取的列表，也就是分页
    'list_url_regexes' => array(
        "http://war.163.com"
    ),
    // 内容页实例，文章的内容页
    // d+ 指的是变量，就是可变的参数
    'content_url_regexes' => array(
        "http://war.163.com/photoview/4T8E0001/d+",
    ),
    // 失败重新爬取次数
    'max_try' => 5,
    // 爬取规则配置
    'fields' => array(
        array(
            'name' => "title", // 数据库字段名
            'selector' => "//div[@class='headline']/h1", // 规则，表示：headline类里的h1标签
            'required' => true, // 如果为空，整条数据丢弃
        ),
        array(
            'name' => "content",
            'selector' => "//div[@class='overview']/p",
            'required' => true,
        ),
        array(
            'name' => "img",
            'selector' => "//img[@class='firstPreload']",
            'required' => true,
        ),
    ),
);

$spider = new phpspider($configs);
$spider->start();

运行

# php demo.php 

运行个几秒ctrl+c停止。

 

如果你运行出现了这个错误

那是因为你把那俩行注释给删了，作者真是闲的蛋疼。

如果你想去掉那注释，就去掉phpspider.php这判断的代码

说了这么多，你是不是想问：那我咋改成我要爬取的站点呢？

1、打开你要爬取的站点，然后按F12。。
例如，本篇的地址为：https://war.163.com/ ，也就是list_url_regexes字段的地址

这个地址就是content_url_regexes字段中的，d+就是文章的变量，是一个会变的值，通常是id。
2、再按F12，进入文章内容页。
http://war.163.com/photoview/4T8E0001/2301433.html#p=EE5Q9HE94T8E0001NOS
3、再次F12

此时的类名就是fields字段中的title数组，也就是我们要爬取的标题，表示：headline类里的h1标签的文本。内容与图片都是一样的操作方法。你还可以选择更多。

做php开发，你是知道模版这个玩意的，就是内容页，是不会变化的，即使是列表分页也是同一个模版。所以，这些标签什么的都是不会变的。这就使得只需要配置分页的地址+文章地址就ok了。

转载：https://blog.csdn.net/weikaixxxxxx/article/details/89763488

---------------------------------------------------------------------------------------------------------------

spider.php

<?php
/**
 * Created by : PhpStorm
 * User: yh
 * Date: 2020/11/14
 * Time: 10:42
 */


require 'vendor/autoload.php';
use phpspidercorephpspider;


/* Do NOT delete this comment */
/* 不要删除这段注释 */

$configs = array(
    'name' => '军事', // 给你的爬虫起一个名字
    'log_show' => false, // 是否显示日志
    'tasknum' => 1, // 开启多少个进程爬取
    // 数据库配置
    'db_config' => array(
        'host'  => '127.0.0.1',
        'port'  => 3306,
        'user'  => 'root',
        'pass'  => 'root',
        'name'  => 'collection',
    ),
    // 数据库表，表需要已存在，collection库，test表
    'export' => array(
        'type' => 'db',
        'table' => 'test',
    ),
    // 爬取的域名列表
    'domains' => array(
        'war.163.com'
    ),
    // 抓取的起点
    'scan_urls' => array(
        'https://war.163.com'
    ),
    // 列表页实例，你要爬取的列表，也就是分页
    'list_url_regexes' => array(
        "https://war.163.com"
    ),
    // 内容页实例，文章的内容页
    // d+ 指的是变量，就是可变的参数
    'content_url_regexes' => array(
        "https://war.163.com/photoview/4T8E0001/d+",
    ),
    // 失败重新爬取次数
    'max_try' => 5,
    // 爬取规则配置
    'fields' => array(
        array(
            'name' => "title", // 数据库字段名
            'selector' => "//div[@class='headline']/h1", // 规则，表示：headline类里的h1标签
            'required' => true, // 如果为空，整条数据丢弃
        ),
        array(
            'name' => "content",
            'selector' => "//div[@class='overview']/p",
            'required' => true,
        ),
        array(
            'name' => "img",
            'selector' => "//img[@class='firstPreload']",
            'required' => true,
        ),
    ),
);

$spider = new phpspider($configs);
$spider->start();