phpspider爬虫框架的使用

这几天使用PHP的爬虫框架爬取了一些数据，发现还是挺方便的，先上爬虫框架的文档 phpspider框架文档

使用方法其实在文档中写的很清楚而且在demo中也有使用示例，这里放下我自己的代码做个笔记

<?php
include "./autoloader.php";

use phpspider\core\phpspider;
/* Do NOT delete this comment */
/* 不要删除这段注释 */

$configs = array(
    \'name\' => \'中国保温网\',
    \'domains\' => array(
        \'www.cnbaowen.net\',
        \'cnbaowen.net\'
    ),
    \'scan_urls\' => array(
        \'http://www.cnbaowen.net/news/list-3720-1.html\'
    ),

    \'export\' => array(
        \'type\' => \'db\',
        \'table\' => \'articles_mc\',
    ),

    \'db_config\' => array(
        \'host\'  => \'127.0.0.1\',
        \'port\'  => 3306,
        \'user\'  => \'root\',
        \'pass\'  => \'123456\',
        \'name\'  => \'spider\',
    ),

    \'content_url_regexes\' => array(
        "http://www.cnbaowen.net/news/show-\d+.html"
    ),

    \'list_url_regexes\' => array(
        "http://www.cnbaowen.net/news/list-3720-\d+.html"
    ),

    \'fields\' => array(
        array(
            // 抽取内容页的文章内容
            \'name\' => "title",
            \'selector\' => "//h1[@id=\'title\']",
            \'required\' => true
        ),
        array(
            // 抽取内容页的文章作者
            \'name\' => "content",
            \'selector\' => "//div[@id=\'content\']",
            \'required\' => true
        ),
        array(
            // 抽取内容页的文章作者
            \'name\' => "type"
        ),

        array(
            // 抽取内容页的文章作者
            \'name\' => "site_id"
        ),
    ),
);
$spider = new phpspider($configs);


$spider->on_list_page = function($page, $content, $spider){
    for ($i = 2; $i < 24; $i++)
    {
        $url = "http://www.cnbaowen.net/news/list-3720-{$i}.html";
        $spider->add_url($url);
    }
};

$spider->on_extract_field = function($fieldname, $data, $page){
    if($fieldname == "type"){
        return 2;
    }elseif($fieldname == "content"){
        $s = preg_replace("/<div style=\"float:right[\s\S]*?div>/","",$data);
        $s = preg_replace(\'/<a .*?href="(.*?)".*?>/is\',"<a href=\'#\'>",$s);
        $data = preg_replace(\'/<img.*?>/is\',"",$s);
        return $data;
    }elseif($fieldname == "site_id"){
        return 1;
    }else{
        return $data;
    }
};

$spider->start();

注释：这里需要说明一点，抓取页面数据时我只需要标题和内容的部分，但是存入数据库时我需要使用到另外两个字段，所以定义字段的时候多定义了`type`和`site_id`两个字段，但是这两个字段的实际赋值是在 `on_extract_field` 回调函数中完成的

附带sql语句

CREATE TABLE `articles_mc` (
  `id` int(10) unsigned NOT NULL AUTO_INCREMENT,
  `title` varchar(200) DEFAULT NULL,
  `content` text,
  `type` int(5) DEFAULT \'0\' COMMENT \'文章类型 1行业资讯 2技术资料\',
  `site_id` int(5) DEFAULT NULL COMMENT \'站点id\',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=4887 DEFAULT CHARSET=utf8mb4;