PHP 爬蟲爬取社群文章內容

DenverB發表於2017-09-30
原文網址 : https://learnku.com/articles/6272/php-crawler-crawls-community-article-content?order_by=created_at&
PHP爬蟲

php也可以寫爬蟲

  • 說起爬蟲，大多數第一反應都是python，python強大的requests和bs4等等強大的第三方庫讓人們都喜歡用python去寫爬蟲。但是php作為“世界上最好的語言”當然也可以用來開發爬蟲。
  • 寫了一個小的爬蟲爬取社群的文章原始碼地址

前期準備

  • composer
  • Guzzle Guzzle是一個十分強大的php的模擬HTTP client的第三方庫，可以通過composer安裝
  • Goutte Goutte是一個用來解析HTML文件的第三方庫，可以通過composer安裝

開始工作

1.安裝兩個庫

  • Goutte composer require fabpot/goutte
  • Guzzle composer require guzzlehttp/guzzle:~6.0

2.建立命令

  • php artisan make:command Spider

3.命令引數

  • protected $signature = 'command:spider {concurrency} {keyWords*}'; //concurrency為併發數 keyWords為查詢關鍵詞

4.編寫爬蟲

  • 寫了一個簡單的，主要用來爬取社群的文章，通過命令列引數獲取要搜尋的關鍵詞，然後爬取文章，並爬下內容存在本地。直接貼程式碼啦。 
<?php

namespace App\Console\Commands;

use Goutte\Client as GoutteClient;
use GuzzleHttp\Client as GuzzleClient;
use GuzzleHttp\Pool;
use Illuminate\Console\Command;
use Illuminate\Support\Facades\Storage;

class Spider extends Command
{

    protected $signature = 'command:spider {concurrency} {keyWords*}'; //concurrency為併發數  keyWords為查詢關鍵詞

    protected $description = 'php spider';

    public function __construct()
    {
        parent::__construct();
    }

    public function handle()
    {
        //
        $concurrency = $this->argument('concurrency');  //併發數
        $keyWords = $this->argument('keyWords');    //查詢關鍵詞
        $guzzleClent = new GuzzleClient();
        $client = new GoutteClient();
        $client->setClient($guzzleClent);
        $request = function ($total) use ($client,$keyWords){
            foreach ($keyWords as $key){
                $url='https://laravel-china.org/search?q='.$key;
                yield function () use($client,$url){
                    return $client->request('GET',$url);
                };
            }
        };
        $pool = new Pool($guzzleClent,$request(count($keyWords)),[
            'concurrency' => $concurrency,
            'fulfilled' => function ($response, $index) use ($client){
                $response->filter('h2 > a')->reduce(function($node) use ($client){
                    if(strlen($node->attr('title'))==0) {
                        $title = $node->text();             //文章標題
                        $link = $node->attr('href');        //文章連結
                        $carwler = $client->request('GET',$link);       //進入文章
                        $content=$carwler->filter('#emojify')->first()->text();     //獲取內容
                        Storage::disk('local')->put($title,$content);           //儲存在本地
                    }
                });
            },
            'rejected' => function ($reason, $index){
                $this->error("Error is ".$reason);
            }
        ]);
        //開始爬取
        $promise = $pool->promise();
        $promise->wait();
    }
}
本作品採用《CC 協議》，轉載必須註明作者和本文連結

相關文章