一个简单的开源PHP爬虫框架『Phpfetcher』 - mthoutai

0 背景

背景是这种眼下吹水新闻（http://news.reetsee.com）下的内容所有由Python的爬虫抓取。使用的框架是Python的Scrapy。而吹水新闻眼下是执行在BAE（百度应用引擎）下的，每一个月还须要交钱。眼下我的想法是把吹水新闻全然迁移到眼下这台阿里云主机上。并且原本的新闻我每天都手动执行一次脚本来抓取再更新到站点，等迁移到这里后就能直接使用Crontab定时脚本自己主动更新新闻了！

近期工作都在用PHP，开发站点的新页面要PHP，直接读写数据库也能用PHP，那么就直接用PHP重构新闻站点好了。

准备开干的时候却发现没找到一个好的PHP爬虫框架（可能是我没细致找）。于是就打算自己写一个，因此就有了这个Phpfetcher。名字起得略好……可是代码写得略搓……无论怎么样。眼下基本能够用，并且应该能满足不少简单的需求，以下就是使用演示样例。

1 基本概念

在Phpfetcher中有四个基本的对象。依次是：Dom，Page。Crawler，Manager。

Dom对象用来解析html，可以訪问html里的dom；
Page对象相应到一个详细的html页面，可以取得整个网页的内容，Page对象中有一个Dom对象的成员；
Crawler对象可以理解为就是爬虫对象，用来设置要爬取页面的规则。
Manager对象原本是用来管理Crawler对象的。以后也许能用来在多进程环境下使用，但眼下没有实现，所以临时没实用；

大致概念就是这样了，实际使用主要是操作Crawler对象。在Phpfetcher中。你能够实现自己的Dom，Page和Crawler，仅仅要符合基类的要求就可以。

要说明的是Phpfetcher的默认Page对象中的Dom对象使用的是simple_html_dom，没有使用PHP提供的DOMDocument类，由于我发现DOMDocument对HTML格式的内容兼容性比較差。有时网页中混入其他内容时可能解析不出dom。以下这张是图是Phpfetcher的文件夹结构：你能够依据自己的须要定制想要的Crawler，Page，Dom类。默认情况下我提供了Crawler的默认类是Phpfetcher_Crawler_Default。Page的默认类是Phpfetcher_Page_Default。Dom的默认类是Phpfetcher_Dom_SimpleHtmlDom。类名和它们所在的路径有相应关系。要注意的是，在使用默认的Page对象时须要PHP的curl库，使用默认的Crawler对象时须要使用PHP的mb_string库，没有的须要装一下。为了便于理解。我画了几张图，第一张是Phpfetcher的三个主要对象之间的关系：图里表示的是Crawler里面有Page的对象，Page里面有Dom的对象。

在使用Phpfetcher时，最重要的是完毕下图中两个绿色矩形框要求的事情：即你要写一个类继承Phpfetcher提供的Crawler类，然后在你自己的类中实现一个名为handlePage($page)的函数。

当中$page參数是一个Phpfetcher的Page类对象。最后这里给出一个主要的流程图：上面说的东西有点虚，那还是直接看实例吧！

2 简单样例

****** 实例1：single_page.php ******比如我们要抓取这个站点的内容：http://news.qq.com/a/20140927/026557.htm里面有非常多超链接。有标题，有新闻具体内容。或者其他我们关心的内容。

先看一下以下的样例：

<?<p></p><p>php
require_once('phpfetcher.php');
class mycrawler extends Phpfetcher_Crawler_Default {
    public function handlePage($page) {
        //打印处当前页面的title
        $res = $page->sel('//title');
        for ($i = 0; $i < count($res); ++$i) {
            echo $res[$i]->plaintext;
            echo "\n";
        }
    }
}
 
$crawler = new mycrawler();
$arrJobs = array(
    //任务的名字随便起，这里把名字叫qqnews
    //the key is the name of a job, here names it qqnews
    'qqnews' => array( 
        'start_page' => 'http://news.qq.com/a/20140927/026557.htm', //起始网页
        'link_rules' => array(
            /*
             * 全部在这里列出的正则规则，仅仅要能匹配到超链接，那么那条爬虫就会爬到那条超链接
             * Regex rules are listed here, the crawler will follow any hyperlinks once the regex matches
             */
        ),
        //爬虫从開始页面算起。最多爬取的深度，设置为1表示仅仅爬取起始页面
        //Crawler's max following depth, 1 stands for only crawl the start page
        'max_depth' => 1, 
         
    ) ,   
);
 
//$crawler->setFetchJobs($arrJobs)->run(); 这一行的效果和以下两行的效果一样
$crawler->setFetchJobs($arrJobs);
$crawler->run();</p>

将这个脚本和“phpfetcher.php”以及“Phpfetcher”文件夹放在同一个文件夹下（或者将“phpfetcher.php”和“Phpfetcher”放到你的PHP环境默认include的查找路径），运行这个脚本，得到的输出例如以下：

1 2	`[root@reetsee demo]# php single_page.php` `王思聪回应遭警方调查：带弓箭不犯法我是绿箭侠_新闻_腾讯网`

查看一下我们抓取的网页源码。能够发现是以下这几行中的title标签内容提取出来了：

<!DOCTYPE html>
<html lang="zh-CN">
    <head>
        <meta http-equiv="Content-Type" content="text/html; charset=gb2312"></meta>
        <meta charset="gb2312"></meta>
        <title>
            王思聪回应遭警方调查：带弓箭不犯法 我是绿箭侠_新闻_腾讯网
        </title>

上面就是一个最简单的样例。 ****** 实例2：multi_page.php ******接下来就是另外一个简单的样例，比如说腾讯新闻的主页，上面有各种新闻，我们这次的目标是把腾讯新闻主页（http://news.qq.com）显示的部分新闻标题抓下来。直接先上例程：

<?<p></p><p>php
//以下两行使得这个项目被下载下来后本文件能直接执行
$demo_include_path = dirname(__FILE__) . '/../';
set_include_path(get_include_path() . PATH_SEPARATOR . $demo_include_path);
 
require_once('phpfetcher.php');
class mycrawler extends Phpfetcher_Crawler_Default {
    public function handlePage($page) {
        //打印处当前页面的第1个h1标题内荣（下标从0開始）
        $strFirstH1 = trim($page->sel('//h1', 0)->plaintext);
        if (!empty($strFirstH1)) {
            echo $page->sel('//h1', 0)->plaintext;
            echo "\n";
        }
    }
}
 
$crawler = new mycrawler();
$arrJobs = array(
    //任务的名字随便起。这里把名字叫qqnews
    //the key is the name of a job, here names it qqnews
    'qqnews' => array( 
        'start_page' => 'http://news.qq.com', //起始网页
        'link_rules' => array(
            /*
             * 全部在这里列出的正则规则，仅仅要能匹配到超链接，那么那条爬虫就会爬到那条超链接
             * Regex rules are listed here, the crawler will follow any hyperlinks once the regex matches
             */
            '#news\.qq\.com/a/\d+/\d+\.htm$#',
        ),
        //爬虫从開始页面算起，最多爬取的深度，设置为2表示爬取深度为1
        //Crawler's max following depth, 1 stands for only crawl the start page
        'max_depth' => 2, 
         
    ) ,   
);
 
$crawler->setFetchJobs($arrJobs)->run(); //这一行的效果和以下两行的效果一样
//$crawler->setFetchJobs($arrJobs);
//$crawler->run();</p>

相比于第1个样例，变化的地方有几个：首先这次我们添加了一条爬虫跟踪的规则“#news\.qq\.com/a/\d+/\d+\.htm$#”（注：PHP使用pcre正則表達式，能够到PHP关于正則表達式的页面看一下）。这是一个正則表達式。比如这样的超链接“news.qq.com/a/12345678/00234.htm”那么爬虫就会跟踪。然后是我们把爬虫的最大跟踪深度设置为2,这样爬虫会跟踪1次起始页面上符合要求的超级链接；最后是我把原本的Dom选择从“//title”改为了“//h1”。意思就是抓取h1标签的内容而不是像之前那样抓取title标签，想知道这样的Dom选择器的选择规则，须要了解一下xpath。执行这个文件，能够看到大致效果例如以下：

这样第二个样例就结束了。

临时我就介绍这两个样例吧，Phpfetcher的源码在这里：https://github.com/fanfank/phpfetcher把代码下载下来后。demo内的东西就能够直接执行了（当然你须要一个有curl和mb_string扩展的php，能够使用“php -m”命令来看一下你的PHP有没有装这两个扩展）。

3 后话

实际上这个phpfetcher眼下还有非常多问题，性能应该是比較差的，只是毕竟也是我写的第一个框架。另外是关于phpfetcher我有非常多东西还没有提到，比如Page对象的一些设置，Crawler对象的设置等，主要是眼下太过懒不想写文档，也不知道有没有必要写。我感觉这个框架还是蛮简单的，里面基本的函数我都做了具体的凝视，欢迎阅读批评指正给建议！最后就是，假设你想写个爬虫，又想用PHP来写，最好还是试一下phpfetcher。祝大家国庆节快乐~！