You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
52 lines
2.0 KiB
52 lines
2.0 KiB
# phpspider -- PHP蜘蛛爬虫框架
|
|
《我用爬虫一天时间“偷了”知乎一百万用户，只为证明PHP是世界上最好的语言 》所使用的程序
|
|
|
|
phpspider是一个爬虫开发框架。使用本框架，你不用了解爬虫的底层技术实现，爬虫被网站屏蔽、有些网站需要登录或验证码识别才能爬取等问题。简单几行PHP代码，就可以创建自己的爬虫，利用框架封装的多进程Worker类库，代码更简洁，执行效率更高速度更快。
|
|
|
|
demo目录下有一些特定网站的爬取规则，只要你安装了PHP环境，代码就可以在命令行下直接跑。 对爬虫感兴趣的开发者可以加QQ群一起讨论：147824717。
|
|
|
|
下面以糗事百科为例, 来看一下我们的爬虫长什么样子:
|
|
|
|
```
|
|
$configs = array(
|
|
'name' => '糗事百科',
|
|
'domains' => array(
|
|
'qiushibaike.com',
|
|
'www.qiushibaike.com'
|
|
),
|
|
'scan_urls' => array(
|
|
'http://www.qiushibaike.com/'
|
|
),
|
|
'content_url_regexes' => array(
|
|
"http://www.qiushibaike.com/article/\d+"
|
|
),
|
|
'list_url_regexes' => array(
|
|
"http://www.qiushibaike.com/8hr/page/\d+\?s=\d+"
|
|
),
|
|
'fields' => array(
|
|
array(
|
|
// 抽取内容页的文章内容
|
|
'name' => "article_content",
|
|
'selector' => "//*[@id='single-next-link']",
|
|
'required' => true
|
|
),
|
|
array(
|
|
// 抽取内容页的文章作者
|
|
'name' => "article_author",
|
|
'selector' => "//div[contains(@class,'author')]//h2",
|
|
'required' => true
|
|
),
|
|
),
|
|
);
|
|
$spider = new phpspider($configs);
|
|
$spider->start();
|
|
```
|
|
爬虫的整体框架就是这样, 首先定义了一个$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:
|
|
|
|
|
|
|
|
更多详细内容，移步到：
|
|
|
|
[开发文档](http://doc.phpspider.org)
|
|
|