phpspider 简单用法和学习，分类一对多爬取数据

最近上面让爬一些数据，以为可以尝试学习使用python，奈何最终让我用PHP实现，减少开发时间…然后在网上找，果然已经有大佬分享----phpspider，还有一些php爬虫框架，但是考虑到是国人开发，代码可读性高（全中文注释，注释清晰，详细），并且在github上有近3K的star，最终决定使用phpspider。

作者很有意思，代码注释风趣，并且各种情况都做了兼容，只需要轻轻配置一下，不需要我们做太多的操作，甚至还给出了好几个demo供我们研究。

下载地址：下载地址
文档地址：文档地址

简单学习xpath后，过了一遍文档，开始尝试。我需要爬的是一个商标分类，群组，商品的网站，从源码和js里分析后各页面后，添加配置：

$config = [
    'name'=>'商标类',
    'tasknum'=>1,//进程数
    'log_show'=>true,//是否显示日志
    'domains'=>[//定义爬取域
        'test.com',
        'www.test.com',
    ],
    'scan_urls'=>[//入口页面
        'http://www.test.com/ncl/01.html'
    ],
    'content_url_regexes'=>[//内容
        'http://www.test.com/category/search.html\?intCls=\d+'
    ],
    'max_try'=>5,//最大尝试次数
    'db_config'=>[
        'host'=>'127.0.0.1',
        'user'=>'root',
        'pass'=>'123',
        'port'=>3306,
        'name'=>'dataname',
    ],
];

经过分析，我爬取的页面的列表没有实际意义，因此没有写list_url_regexes配置，有列表可以增加此配置，可大幅提升爬虫效率！
商标分类有45，每个类下又有n个群组，每个群组下有多个商品，分析页面后得知，45类有有45个url，因此需要把这些url添加到带爬队列中：

$spider = new phpspider($config);
$spider->on_start = function($phpspider){
    $db_config = $phpspider->get_config("db_config");
    db::set_connect('default',$db_config);
    db::init_mysql();
    for($i=1;$i<46;$i++){
        if($i<10){
            $i = '0'.$i;
        }
        $phpspider->add_url('http://www.test.com/category/search.html?intCls='.$i);
    }
};

顺便把数据库也初始化，方便后面操作。
再来写群组和商品的爬去，经分析，发现每个页面的群组都是相同的div和class，并且商品也在这个div里，保存在商品中，添加配置fileds

'fields'=>[
        [
            'name'=>'parent',
            'selector'=>"//div[@class='result-data']",
        ]
    ]

这样就能拿到所有同一分类下（同一页面），不同群组的div和包含的商品的html，查看文档，文档上介绍说，fields中可以使用children，是一个树形结构（并且可以一直加下去，有兴趣可查看源码，代码中是递归操作），结合文档示例，修改fields配置：

'fields'=>[
        [
            'name'=>'parent',
            'selector'=>"//div[@class='result-data']",
            'children'=>[
                [
                    'name'=>'group',
                    'selector'=>'//div[@class="result-data-top"]',
                ],
                [
                    'name'=>'item',
                    'selector'=>'//input[@type="checkbox"]/@value',
                ]
            ]
        ]
    ]

尝试运行后，发现只有每个类型（页面）都只拿到1个群组（group），和1个商品（item）！并且不加children时得到的html都是包含所有需要数据的！
怀疑是xpath不熟悉，写错了，根据文档的运行前测试后得知，xpath没有问题！
然后开始查看源码，最终发现这个判断

if (is_array($values)) 
                {
                    if ($repeated) 
                    {
                        $fields[$conf['name']] = $values;
                    }
                    else
                    {
                        $fields[$conf['name']] = $values[0];
                    }
                }
                else 
                {
                    $fields[$conf['name']] = $values;
                }

好吧，原来在fields里还可以添加配置，repeated，否则就只会返回数组中的第一个，默认是false，修改为true，文档中也有描述，怪自己忽略忘记了这个配置…再次修改配置

'fields'=>[
        [
            'name'=>'parent',
            'selector'=>"//div[@class='result-data']",
            'repeated' => true,
            'children'=>[
                [
                    'name'=>'group',
                    'selector'=>'//div[@class="result-data-top"]',
                    'repeated' => true,
                ],
                [
                    'name'=>'item',
                    'selector'=>'//input[@type="checkbox"]/@value',
                    'repeated' => true,
                ]
            ]
        ]
    ]

运行尝试，OK
现在开始处理数据，因为在我的数据库中，群组和商品是分开的，现在爬出来的数据，显然不适合参照demo中自动保存，因此需要自己修改处理！
查找文档，果然大佬已经准备好了，on_extract_page这个回调函数可以在抽取完后进一步处理字段：

$spider->on_extract_field = function($filename,$data){
    if($filename == 'parent'){
       /*中间就是处理代码，$data就是抽取出来的数据，数组格式*/
    }
    return $data;
};

完成！
全程不过100行左右代码，配置就将近一半了，不需要管底层逻辑，发送请求等等，算是懒人福音，以后有机会学习一下底层实现，此框架推荐！