phpspider简单快速上手的php爬虫框架

前言

前段时间接到一个开发采集网站数据的项目，从事php开发的我立刻想到使用php做爬虫。虽然python爬虫方便，但是php在这方面也不弱，谁让php是世界上最好的语言！这里推荐一款php的爬虫框架phpspider。不建议自己写爬虫，因为效率太低。使用框架爬虫真的要高效许多

官方文档：

https://doc.phpspider.org/

1、下载

官方github下载地址：

https://github.com/owner888/phpspider

下载地址可能无法访问，这里提供一个网盘下载地址：

***https://pan.baidu.com/s/10n9ZOUQBlrJzOQx0ShOmMQ ***

***提取码：b2zc ***

2、文件结构

下载解压后，phpspider的文件结构如图所示：

image

其中demo文件夹放的是phpspider的一些案例，如图所示：

image

3、创建爬虫并且运行

在demo文件夹下创建爬虫文件。需要注意的是，phpspider有两种运行爬虫文件的方式，一种是在命令行下运行；另外一种是可视化操作(在浏览器下运行)

3.1 在命令行下运行爬虫文件

要爬取的对象链接：

https://www.douban.com/photos/album/1616649448/

要爬取的内容如图所示：

image

爬取id为wrapper的div所包含的内容

3.1.1 在demo文件夹下新建文件spider.php，代码如下：

<?php
require_once __DIR__ . '/../autoloader.php';
use phpspider\core\phpspider;

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

$configs = array(
 'name' => '豆瓣',//定义当前爬虫名称
 'log_show' => true, //显示日志调试信息
 'input_encoding' => 'UTF-8',//输入编码

//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(       
  'www.douban.com'    
),    

//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(        
  'https://www.douban.com/photos/album/1616649448/'    
),    
//爬虫爬取数据导出    
'export' => array(         
  'type' => 'csv', //type：导出类型 csv、sql、db        
  'file' => '../data/abc.csv', //file：导出 csv、sql 文件地址，如果不存在文件自动创建    
),    
//定义内容页的抽取规则    
'fields' => array(        
  array(            
   'name' => "wrapper",            
   'selector' => "//div[@id='wrapper']",        
  )   
 )
);
$spider = new phpspider($configs);
$spider->start();

3.1.2 在demo文件夹中直接打开cmd命令面板，输入命令行 php -f spider.php 回车，代码跑起来，如图所示：

image

3.1.3 查看爬取下来的数据

在phpspider文件结构中找到data文件夹下的abc.csv文件，打开文件可看到爬取下来的数据，如图所示：

image

3.2 可视化操作(在浏览器下运行爬虫文件)

要爬取的对象链接：

https://movie.douban.com/subject/26588308/?from=showing

要爬取的内容如图所示：

image

爬取class为nav-items的div所包含的内容

3.2.1 在demo文件夹下新建另外一个文件test.php，代码如下：

<?php
header("Content-Type: text/html;charset=utf-8");
date_default_timezone_set("Asia/Shanghai");
ini_set("memory_limit", "10240M");

require_once __DIR__ . '/../autoloader.php';
use phpspider\core\phpspider;
use phpspider\core\requests;
use phpspider\core\selector;

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

$html = requests::get('https://movie.douban.com/subject/26588308/?from=showing');
$data = selector::select($html, "//div[@class='nav-items']");
echo $data;

3.2.2 打开浏览器输入文件地址

image

结语

以上只是简单的爬虫例子，还可以进行多进程爬取，代理爬虫，很多好玩的，更多操作参考官方文档

https://doc.phpspider.org/