码迷,mamicode.com
首页 > 其他好文 > 详细

XX之家的爬虫之旅

时间:2015-04-14 09:43:09      阅读:205      评论:0      收藏:0      [点我收藏+]

标签:

[导读]  因为本人公司正处于P2P的行业,分析行业数据,对平台的运营决策有着很大的作用,因此需要爬XX之家的相关数据。

1、分析

       通过右键查看页面源代码发现页面结构为表格布局,因此设想可以分为四个步骤来采集数据:1、使用爬虫将页面抓取下来;2、对页面数据进行解析;3、入库;4、写个定时服务每天定时抓取。因为公司网站也使用了PHP最近也学习了一点,听说curl非常适合用来爬去网页,决定用PHP程序来抓取。

技术分享

2、抓取页面

       有一个小插曲,刚开始抓取的时候,返回的页面信息都是404.html,最后分析发现网站对非浏览器的请求进行了屏蔽,直接跳转404。后台加绿色代码的部分,成功抓取数据。

function crawl($url){
         $ch = curl_init();
         curl_setopt($ch, CURLOPT_URL, $url);
         curl_setopt($ch, CURLOPT_HEADER, false);
         

curl_setopt($ch, CURLOPT_USERAGENT, ‘Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; .NET CLR 1.1.4322)‘);

         curl_setopt($curl, CURLOPT_POST, 1); 
         curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); 
         $result=curl_exec($ch);
         curl_close($ch);
         return $result;
    }

3、解析数据

     查看页面源代码发现,第一行为title去掉,最后两列为平台的连接和关注,均过滤掉。第一列的id需要根据下列的连接来截取,中间的所有数据会有汉子的单位和一些特殊字符,使用preg_replace进行替换,最后安装XX平台的数据,进行拼接入库的SQL返回,done。

function  analyze($dom,$satTime){
        $html = new simple_html_dom();
        $sql= "insert into XXX_data (XXPlatId,platName,averageMonth,dayTotal,averageRate,investNumber,averageInvestMoney,averageBorrowTime,borrowNumer,borrowBidNumber,averageBorrowMoney,firstTenInvestRate,firstTenBorrowRate,bidEndTime,registerTime,registerMoney,leverageFund,invest30total,repay60total,repayTotal,statisticsTime,excuteTime) values ";                
        $html->load($dom);
        $istitle=0;
        foreach($html->find(‘tr‘) as $tr){
          $istitle=$istitle+1;
          if($istitle==1){
            continue;
          }
          $sql.="(";
          $count=0;
          foreach($tr->find(‘td‘) as $element){       
              $count=$count+1;
              if($count==1){
                $href=$element->next_sibling()->find(‘a‘, 0)->href;
                $href=strstr($href, ‘.‘, TRUE);
                $href=strstr($href,‘-‘);            
                $sql.="‘".substr($href,1)."‘,";
              }elseif($count==2){
                $val=$element->find(‘a‘, 0)->innertext;
                $sql.="‘".$val."‘,";
              }elseif($count<21){
                $patterns = array();
                $patterns[0] = ‘/([\x80-\xff]*)/i‘;
                $patterns[1] = ‘/[%*]/‘;
                $val=preg_replace($patterns,‘‘,$element->innertext);
                $sql.="‘".$val."‘,";
              }
          }
          $sql.="‘".$satTime."‘,‘".date(‘Y-m-d H:i:s‘)."‘),";    
        } 
        $sql = substr($sql,0,strlen($sql)-1);
        $sql = strip_tags($sql);
        return $sql;
    }

4、入库

         通过网上的查找学习,发现PHP操作mysql比起java来说很简单,几句代码搞定.

 function  save($sql){
        $con = mysql_connect("192.168.0.1","root","root");
        if (!$con){
           die(‘Could not connect: ‘ . mysql_error());
        }
        mysql_select_db("xx_data", $con);
        mysql_query("set names utf8");
        mysql_query($sql);
        mysql_close($con);
    }

5、批量爬取

     通过分析数据的查询条件,每次的查询都是根据url后缀的日期来查询当日交易数据,  http://XXX/indexs.html?startTime=2015-04-01&endTime=2015-04-01,因为只需要遍历历史日期来拼接URl就用来爬取历史的所有交易。

function execute(){
      $starttime="2014-04-15";
      $endtime="2015-04-15";
      for($start = strtotime($starttime); $start <= strtotime($endtime);$start += 86400){
         $date=date(‘Y-m-d‘,$start);
         $url="http://shuju.XX.com/indexs.html?startTime=".$date."&endTime=".$date;
         //第一步 抓取
         $dom=crawl($url);
         //第二步  解析
         $sql=analyze($dom,$date);
         //第三步 入库
         save($sql);
     }
      echo  "execute end";
    }
     
     execute();

6、设置定时服务

       设置定时任务来每天固定时间来抓取最新的数据,以免每次手工来执行,php也有自己的定时任务,但是网上看了下实现起来太复杂,因此利用linux的crontab来实现,linux下面输入crontab –e 进入编辑状态,添加一条定时利用curl来调用,至此爬虫功能完毕。

    30 09 * * * curl  http://192.168.0.1/crawl.php

 

此程序仅供学习交流,如果有需要完整源码的朋友可以单独联系我。

XX之家的爬虫之旅

标签:

原文地址:http://www.cnblogs.com/ityouknow/p/4423998.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!