利用phpspider爬取网站数据

本文实例原址：PHPspider爬虫10分钟快速教程

在我们的工作中可能会涉及到要到其它网站去进行数据爬取的情况，我们这里使用phpspider这个插件来进行功能实现。

1、首先，我们需要php环境，这点不用说。

2、安装composer，这个网上教程很多，这里不多做赘述，一面显得篇幅太长。

3、利用composer进行phpspider安装。

　　在安装的过程中，我们可能会遇到composer require长时间没反应的情况，这样的话。我们就需要换到中国镜像。方法如下：

　　Packagist 镜像使用方法

　　镜像配置好后，我们就进行phpspider的安装了。

　　新建一个文件夹，这里暂时取名为composerInstallDemo。

　　打开文件夹，并在文件夹地址栏中输入“cmd”直接进入该文件夹的cmd模式。

　　　　

　　

　　再在dos窗口中输入一下命令：

　　composer require owner888/phpspider

　　出现一下界面，则证明，phpspider已经安装成功。

　　

4、编写自己的第一个爬虫程序。

　　打开composerInstallDemo文件夹，在文件夹下新建一个php文件（名字随意，这里我创建的是index.php）

　　

<?php
require '/vendor/autoload.php';
use phpspider\core\phpspider;

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

$configs = array(
'name' => '简书',
'log_show' =>false,
'tasknum' => 1,
//数据库配置
'db_config' => array(
'host'  => '127.0.0.1',
'port'  => 3306,
'user'  => 'root',
'pass'  => '',
'name'  => 'demo',
),
'export' => array(
'type' => 'db',
'table' => 'jianshu',  // 如果数据表没有数据新增请检查表结构和字段名是否匹配
),
//爬取的域名列表  
'domains' => array(
    'jianshu',
    'www.jianshu.com'
), 
//抓取的起点
'scan_urls' => array(
    'https://www.jianshu.com/c/V2CqjW?utm_medium=index-collections&utm_source=desktop'
),
//列表页实例
'list_url_regexes' => array(
    "https://www.jianshu.com/c/\d+"
),
//内容页实例
//  \d+  指的是变量
'content_url_regexes' => array(
    "https://www.jianshu.com/p/\d+",
),
'max_try' => 5,

'fields' => array(
    array(
        'name' => "title",
        'selector' => "//h1[@class='title']",
        'required' => true,
    ),
    array(
        'name' => "content",
        'selector' => "//div[@class='show-content-free']",
        'required' => true,
    ),
),
);

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

　　稍微解释一下一下句法的含义：

//h1[@class='title']
获取所有class值为title的h1节点

//div[@class='show-content-free']
获取所有class值为show-content-free的div节点

　　具体为什么这么写呢？自己看简书的html源码吧。

　　打完代码后，记得根据要抓取的内容建立对应的数据库、数据表，字段要能对对上。

　　数据库如下：
　　 5、万事俱备，只欠东风。 　  接着cmd，输入php -f C:\Users\0923\Desktop\composerInstallDemo\index.php 　  运行如下 　　 6、打开数据看一下，是不是都抓取到了呢？ 　　   　　

　　

标签：content,网站,array,爬取,文件夹,jianshu,phpspider,class
来源： https://www.cnblogs.com/573734817pc/p/10690152.html