为什么80%的码农都做不了架构师？>>> 
| 1 2 3 4 5 6 7 8 |
声明： 采集程序只做技术研究使用，切不可做出格的事以免惹来麻烦 首先感谢广大网友的支持，现将源代码公开，地址如下： https://github.com/owner888/phpspider github地址的demo目录下的 mafengwo.php 和 mafengwo.sql 本程序所采集的数据都是马蜂窝上面公开的数据，并未触及隐私内容，也不公开数据库，广大网友无需担心。 你们有什么想要的功能可以在下面留言给我，我会收集一下给大家做出来。也可以加入Q群 PHP爬虫研究中心(147824717)一起讨论。 转载请注明本文地址，及作者[email protected] |
随着物质的提高，旅游渐渐成为人们的焦点，火热的国庆刚刚过去，乘着这股余热，我想很多人都想知道，大家一般会去哪里玩呢，于是我花了10分钟写了一个采集马蜂窝游记的小程序，当然速度能有这么快，完全依赖于PHP著名爬虫框架phpspider。
国际惯例，我们先来看看代码怎么写，算作抛砖引玉吧 ^_^
马蜂窝不同于常规网站，因为并发量高并且某些数据需要实时，比如观看人数，点赞人数，所以网站多处使用了Ajax，而Ajax对于普通采集者来说，是个比较大的问题。
观察了一下马蜂窝网站，最终确定了采集路线：
获取热门城市 -> 获取城市下的游记列表 -> 获取游记内容 -> 提取游记内容的游记标题、城市、出发时间等，接下来我们用三个步骤来实现它。。。
1、获取热门城市
http://www.mafengwo.cn/mdd/citylist/21536.html
首先我们要采集下这些热门城市
当我们点击页数的时候，发现他的数据是Ajax加载的，末页是297，而且使用的是POST方法
提交的参数如下：
很明显这个page就是页数了，这里就有个问题，phpspider框架是有 URL 去重机制的，POST的话URL只有一个，但是query_string是不影响POST数据的，我们可以在后面加上 ?page=1|2|3…，所以我们代码可以这么写：
设置列表页规则：
| 1 2 3 |
'list_url_regexes' => array( "http://www.mafengwo.cn/mdd/base/list/pagedata_citylist?page=d+", ) |
在入口回调函数入口所有城市列表：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
$spider->on_scan_page = function($page, $content, $phpspider) { // 上面Ajax分页的末页是297页 for ($i = 0; $i $url, 'method' => 'post', 'fields' => array( 'mddid'=>21536, 'page'=>$i, ) ); // 热点城市列表页URL入队列 $phpspider->add_url($url, $options); } }; |
2、获取热门城市下的游记列表
点击进入一个城市后，我们可以看到他下面的游记列表
当然和上面一样，也是Ajax加载的，我们可以打开chrome的开发者工具，点击Network，然后随意点击一个分页得到Ajax的URL：
和城市列表一样，也是POST，参数如下：
很明显page就是页数了，当然我们直接通过POST方式访问Ajax地址：
http://www.mafengwo.cn/gonglve/ajax.php?act=get_t…
是直接报错的，他需要来路，综合以上，我们代码可以这么来写：
首先我们要在 on_start 回调函数里面加上来路URL
| 1 2 3 4 |
$spider->on_start = function($phpspider) { $phpspider->add_header('Referer','http://www.mafengwo.cn/mdd/citylist/21536.html'); }; |
和上面获取城市列表一样，设置列表匹配规则：
| 1 2 3 |
'list_url_regexes' => array( "http://www.mafengwo.cn/gonglve/ajax.php?act=get_travellist&mddid=d+", ) |
然后在 on_list_page 回调里面判断如果是第一页就获取总页数，然后循环入队列：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
preg_match('#共(.*?)页#', $data_page, $out); for ($i = 0; $i $url, 'method' => 'post', 'fields' => array( 'mddid'=>$v, 'pageid'=>'mdd_index', 'sort'=>1, 'cost'=>0, 'days'=>0, 'month'=>0, 'tagid'=>0, 'page'=>$i, ) ); // 游记列表页URL入队列 $phpspider->add_url($url, $options); } |
通过上面两个步骤，我们就把所有热门城市下的游记列表都放入到了队列，接下来我们进行第三步，从这些列表里面获取内容页URL，然后提取内容。
3、获取热门城市下的游记列表
在 on_list_page 方法里面会得到列表页的内容，从这些内容里面我们可以提取内容页的URL
| 1 2 3 4 5 6 7 8 9 10 11 12 |
// 获取内容页 preg_match_all('##', $html, $out); if (!empty($out[1])) { foreach ($out[1] as $v) { $url = "http://www.mafengwo.cn/i/{$v}.html"; // 内容页URL入队列 $phpspider->add_url($url); } } |
接下来我们来配置field提取内容页字段
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 |
'fields' => array( // 标题 array( 'name' => "name", 'selector' => "//h1[contains(@class,'headtext')]", 'required' => true, ), // 分类 array( 'name' => "city", 'selector' => "//div[contains(@class,'relation_mdd')]//a", 'required' => true, ), // 出发时间 array( 'name' => "date", 'selector' => "//li[contains(@class,'time')]", 'required' => true, ), ) |
设计一张数据表：
当然我们还可以获取游记的浏览量、收藏、分享、置顶、游玩金额等等，太多了，方法类似。
到此程序就设计完了，总共不到200行的代码，得益于phpspider自带了多进程采集功能，数据很快就采集完成，总共7W多点。
得到这些数据以后，我们能干什么呢？！
Top10 旅游城市分别是
可以看得出，云南是一个好地方，也是博主日夜思念的地方啊。。。
五一和国庆期间旅游城市占比
可以看得出，五一的时候大家喜欢去西藏玩，国庆却更青睐青岛，好吧，这两个地方博主都没去过，表示好受伤~_~!
接下来我们来看看这一年来北京和杭州的旅游旺季
可以看出七八月份去北京的人会比较多，这个时候北京是最爽的，不热也不冷，博主就曾经有有一年8月份去的北京，舒服死了^_^
我们再来看看杭州
看得出3月底到4月中旬是杭州适合游玩的季节啊，那时候春暖花开，天气也不错，听说太子湾公园每年那时候都会有樱花和郁金花展，非常美，艾玛旅游病又犯了~_~!
好吧文章到此就结束了，其实还想分析更多，比如采集热门路线啊，热门景点啊，热门图集啊，还有旅游路线的价位啊，最终形成一个旅游的APP，如果你们有好的想法，也可以来告诉我，我把他采集下来，供大家参考 ^_^
最后，对源代码感兴趣的同学可以上github搜索phpspider哈 ^_^