标签：生成 循环 https host color new 详细 文章 UI
前几天，被老板拉去说要我去抓取大众点评某家店的数据，当然被我义正言辞的拒绝了，理由是我不会。。。但我的反抗并没有什么卵用，所以还是乖乖去查资料，因为我是从事php工作的，首先找的就是php的网络爬虫源码，在我的不懈努力下，终于找到phpspider，打开phpspider开发文档首页我就被震惊了，标题《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 》，果然和我预料的一样，php就是世界上最好的语言。废话少说，下面开始学习使用。
首先看的是提供的一个demo，代码如下：
$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();
每项具体的信息，可以去 https://doc.phpspider.org/demo-start.html 查看，哪里比较详细，这里只说下我走的弯路，
domains是定义采集的域名，只在该域名下采集，
content_url_regexes是采集的内容页，使用chrome查看网页源码，然后使用selector选择器定位，selector使用xpath格式定位参数，当然也可以用css来选择。
list_url_regexes列表页，每个列表页抓取多条content_url_regexes的url循环采集。
还有一些其他参数没有列出来，例如：
‘max_try‘ => 5, ‘export‘ => array( ‘type‘ => ‘db‘, ‘conf‘ => array( ‘host‘ => ‘localhost‘, ‘port‘ => 3306, ‘user‘ => ‘root‘, ‘pass‘ => ‘root‘, ‘name‘ => ‘demo‘, ), ‘table‘ => ‘360ky‘, ),
max_try 同时工作的爬虫任务数。
export采集数据存储，有两种格式，一种是写到数据库中，一种是直接生成.csv格式文件。
只要url规则写的对，就可以运行，不用管框架里面的封装。当然，此框架只能在php-cli命令行下运行，所以使用前要先配置环境变量，或者cd到php安装路径运行。
最后成功采集到大众点评某点的一千多条数据。
标签：生成 循环 https host color new 详细 文章 UI
原文地址：http://www.cnblogs.com/mlblack/p/7041574.html
