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 '' 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;