引言
说到数据采集大家首先都会想到python,代码简洁，高效，很容易就可以实现数据采集。
那PHP如何实现数据采集呢？非常简单。
概念
那什么是数据采集呢？以下是百度百科的介绍：
数据采集，又称数据获取，是利用一种装置，从系统外部采集数据并输入到系统内部的一个接口。数据采集技术广泛应用在各个领域。
你可以简单的理解为偷别人网站的数据。
需要的扩展包
1. Guzzle
这是一个PHP HTTP客户端，可以轻松发送HTTP请求并轻松与Web服务集成。
安装方式：
composer require guzzlehttp/guzzle:~6.0或者：
在composer.json加入
"require": {
"guzzlehttp/guzzle": "~6.0"
}
}2. QueryList
QueryList是一个基于phpQuery的PHP通用列表采集类,得益于phpQuery，让使用QueryList几乎没有任何学习成本，只要会CSS3选择器就可以轻松使用QueryList了，它让PHP做采集像jQuery选择元素一样简单。 QueryList的几个特点:
- 学习简单：只有一个核心的API
- 使用简单：用jQuery选择器来选择页面元素
- 自带过滤功能，可过滤掉无用的内容
- 支持无限层级嵌套采集
- 采集结果直接以采集规则以列表的形式有序的返回
- 支持扩展
我们可以使用它来过滤html内容
安装方式：
composer require jaeger/querylist:V3.2.1采集案例
我们以 LearnKu 社区为例，我们将采集社区的帖子信息，并把这些信息存入文件和存入mysql数据库。
1.安装依赖
在命令行输入以下命令
composer init引入依赖
{
"require": {
"guzzlehttp/guzzle": "~6.0@dev",
"jaeger/querylist": "V3.2.1"
},
"autoload": {
"psr-4": {
"App\\": "app/"
}
}
}
安装依赖
composer install2.采集类
appHandleClientHandle.php
client = new Client(['verify' => false]);
}
public function queryBody($url, $rules)
{
$html = $this->sendRequest($url);
$data = QueryList::Query($html, $rules)->getData(function ($item) {
if (array_key_exists('link',$item)){
$content = $this->sendRequest($item['link']);
$item['post'] = QueryList::Query($content, [
'title' => ['div.pull-left>span', 'text'],
'review' => ['p>span.text-mute:eq(0)', 'text'],
'comment' => ['p>span.text-mute:eq(1)', 'text'],
'content' => ['div.content-body', 'html'],
'created_at' => ['p>a>span', 'title'],
'updated_at' => ['p>a:eq(2)', 'data-tooltip']
])->data[0];
}
return $item;
});
//查看采集结果
return $data;
}
private function sendRequest($url)
{
$response = $this->client->request('GET', $url, [
'headers' => [
'User-Agent' => 'testing/1.0',
'Accept' => 'application/json',
'X-Foo' => ['Bar', 'Baz']
],
'form_params' => [
'foo' => 'bar',
'baz' => ['hi', 'there!']
],
'timeout' => 3.14,
]);
$body = $response->getBody();
//获取到页面源码
$html = (string)$body;
return $html;
}
}简单分析：
- __construct 构造函数中我们实例化了一个 guzzleClient，用来发起http请求的。
- sendRequest 是传入url，然后发起一个http请求并返回目标的html源码。
-
queryBody,接收一个url，和需要采集的规则，这里不做延伸 queryList，只要会使用jquery，那相信你很快上手。
public function queryBody($url, $rules) { //发起一个请求，接收html源码 $html = $this->sendRequest($url); //将内容$html，和规则$rules 传给QueryList的静态方法Query处理，并获取数据。 $data = QueryList::Query($html, $rules)->getData(function ($item) { //我首先获取的是列表页，然后通过列表的link链接再去获取文章的详细信息。 //判断是否匹配到link if (array_key_exists('link',$item)){ //获取详情页的html源码 $content = $this->sendRequest($item['link']); //再交给QueryList 处理数据 $item['post'] = QueryList::Query($content, [ 'title' => ['div.pull-left>span', 'text'], 'review' => ['p>span.text-mute:eq(0)', 'text'], 'comment' => ['p>span.text-mute:eq(1)', 'text'], 'content' => ['div.content-body', 'html'], 'created_at' => ['p>a>span', 'title'], 'updated_at' => ['p>a:eq(2)', 'data-tooltip'] ])->data[0]; //采集到的是一个集合，所以我只取第一个 data[0] } return $item; }); //查看采集结果 return $data; }
3. PDO类
AppHandlePdoHandle.php
我们使用PDO来操作数据库,这里我简单实现一个类
driver = $driver;
$this->host = $host;
$this->dbname = $dbname;
$this->username = $username;
$this->password = $password;
$dsn = $this->driver . ':host=' . $this->host . ';dbname=' . $this->dbname;
$this->source = new \PDO($dsn, $this->username, $this->password);
$this->source->setAttribute(\PDO::ATTR_ERRMODE, \PDO::ERRMODE_EXCEPTION);
}
}相信都看得懂，就不介绍了
4. 写入文件
我们把采集到的内容，写入到文件里
['span.topic-title:lt(5)', 'text'],
'link' => ['a.topic-title-wrap:lt(5)', 'href']
];
//采集
$url = "https://learnku.com/laravel";
$client = new \App\Handle\ClientHandle();
$data = $client->queryBody($url, $rules);
//因为我们请求了两级，所以返回的数组需要处理成一级数组
$data = array_map(function ($item) {
return $item['post'];
}, $data);
//写入文件
$handle = fopen('2.php','w');
$str = "稍等几秒后，你就可以看到文件目录下多出个 2.php 的文件了，里面有数据代表采集成功~
5. 写入数据库
把采集到的内容写入到数据库里
1. 创建表
首先我们创建一张 posts表并有以下字段：
`title`, `review`, `comment`, `content`,`created_at`,`updated_at`created_at 和 updated_at 建议不要强制为时间类型和必填，否则需要再处理以下数据
2.操作
['span.topic-title', 'text'],
'link' => ['a.topic-title-wrap', 'href']
];
$url = "https://learnku.com/laravel";
$client = new \App\Handle\ClientHandle();
$data = $client->queryBody($url, $rules);
$data = array_map(function ($item) {
return $item['post'];
}, $data);
//编写sql语句
$sql = "INSERT INTO `posts`(`title`, `review`, `comment`, `content`,`created_at`,`updated_at`) VALUES";
//再过滤下没有匹配到符合条件的特殊数据，避免入库的时候麻烦
$data = array_filter($data,function($item){
return count($item) == 6;
});
//重置数组下标
sort($data);
//组合sql语句
foreach ($data as $key => $item) {
//内容是有html标签的，所以我们要用 base64 处理下才能入库
$item['content'] = base64_encode($item['content']);
$value = "'" . implode("','", array_values($item)) . "'";
$sql .= "($value)";
if (count($data) - 1 != $key) {
$sql .= ",";
}
}
//采集
$db = new \App\Handle\PdoHandle();
try {
$db->source->query($sql);
echo '采集入库成功!';
} catch (PDOException $exception) {
echo $exception->getMessage();
}骚等几秒钟后，你就可以看到网页上输出 ‘采集入库成功’ 的字样，那代表成功了~
我们也可以只采集前几条，只需要重写$rules规则就行了
例如：只取前5条,我们可以这样写。
$rules = [
'title' => ['span.topic-title:lt(5)', 'text'],
'link' => ['a.topic-title-wrap:lt(5)', 'href']
];6. 读取数据
利用PDO读取数据
source->query($sql);
$data = $pdoStatement->fetchAll(PDO::FETCH_ASSOC);
foreach ($data as &$item){
//给内容解密
$item['content'] = base64_decode($item['content']);
}
var_dump($data);篇尾
希望对在看的你有点收获吧，同时我也把它上传到了github，需要的伙伴可以拉下来看下。