第一个demo

爬虫采用PHP编写, 下面以糗事百科为例, 来看一下我们的爬虫长什么样子:

安装

1、通过GitHub下载

  1. require_once __DIR__ . '/../autoloader.php';
  2. use phpspider\core\phpspider;

2、通过composer下载

  1. composer require owner888/phpspider
  1. require './vendor/autoload.php';
  2. use phpspider\core\phpspider;

3、加上一段很讨厌的注释，别问我为什么，我就是这么讨厌 ^_^

  1. /* Do NOT delete this comment */
  2. /* 不要删除这段注释 */
  1. $configs = array(
  2.     'name' => '糗事百科',
  3.     'domains' => array(
  4.         'qiushibaike.com',
  5.         'www.qiushibaike.com'
  6.     ),
  7.     'scan_urls' => array(
  8.         'http://www.qiushibaike.com/'
  9.     ),
  10.     'content_url_regexes' => array(
  11.         "http://www.qiushibaike.com/article/\d+"
  12.     ),
  13.     'list_url_regexes' => array(
  14.         "http://www.qiushibaike.com/8hr/page/\d+\?s=\d+"
  15.     ),
  16.     'fields' => array(
  17.         array(
  18.             // 抽取内容页的文章内容
  19.             'name' => "article_content",
  20.             'selector' => "//*[@id='single-next-link']",
  21.             'required' => true
  22.         ),
  23.         array(
  24.             // 抽取内容页的文章作者
  25.             'name' => "article_author",
  26.             'selector' => "//div[contains(@class,'author')]//h2",
  27.             'required' => true
  28.         ),
  29.     ),
  30. );
  31. $spider = new phpspider($configs);
  32. $spider->start();

爬虫的整体框架就是这样, 首先定义了一个$configs数组, 里面设置了待爬网站的一些信息, 然后通过调用$spider = new phpspider($configs);和$spider->start();来配置并启动爬虫.

运行界面如下:

第一个demo - 图1

$configs对象如何定义, 后面会作详细介绍.^_^