PHP爬虫 -- 010 做业解析

做业回顾

• 爬取分类下的图书名和对应价格, 保存到books.txt
• books.toscrape.com
• 最终效果...

做业解析

• 两个难度
• 简单难度
  • 爬取分类和分类下的第一页的数据, 不包括分页
  • 所须要的知识已经讲过, 不须要额外的知识
• 中等难度
  • 爬取分类和分类下的全部数据, 须要判断总页数
  • 须要额外的知识, 字符串切割/截取

做业分析

1. 先获取分类的名称和url
2. 再经过url获取分类下的图书信息
3. 注意分类的url须要拼接

小彩蛋: 运行前清屏

代码解析-简单难度-带注释

<?php


/** * _ooOoo_ * o8888888o * 88" . "88 * (| -_- |) * O\ = /O * ____/`---'\____ * .' \\| |// `. * / \\||| : |||// \ * / _||||| -:- |||||- \ * | | \\\ - /// | | * | \_| ''\---/'' | | * \ .-\__ `-` ___/-. / * ___`. .' /--.--\ `. . __ * ."" '< `.___\_<|>_/___.' >'"". * | | : `- \`.;`\ _ /`;.`/ - ` : | | * \ \ `-. \_ __\ /__ _/ .-` / / * ======`-.____`-.___\_____/___.-`____.-'====== * `=---=' * ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ * 佛祖保佑 永无BUG */

require 'vendor/autoload.php';
use QL\QueryList;
// 生成一个querylist对象
$ql = new QueryList();

/* * @Description:获取分类 * @params: 主页url * @return: 二维数组, 包括分类名称, 分类url */
function get_category($url) {
    global $ql;

    $data = $ql->get($url)->rules([
        "category_name" => ['#default > div > div > div > aside > div.side_categories > ul > li > ul > li > a', 'text'],
        "category_url" => ['#default > div > div > div > aside > div.side_categories > ul > li > ul > li > a', 'href'],
    ])->queryData();
    // 把分类的连接地址补全
    foreach ($data as $key => $value) {
        $value['category_url'] = $url . $value['category_url'];
        $data[$key] = $value;
    }
    return $data;
}

/* * @Description: 获取分类下的图书信息 * @param: 分类的url * @return: 二维数组, 包括图书名称, 图书价格 */
function get_book($url) {
    global $ql;

    $data = $ql->get($url)->rules([
        "book_name" => ['#default > div > div > div > div > section > div:nth-child(2) > ol > li > article > h3 > a', 'title'],
        "book_price" => ['#default > div > div > div > div > section > div:nth-child(2) > ol > li> article > div.product_price > p.price_color', 'text'],
    ])->queryData();

    return $data;

}

/* * @Description: 生成最终的数组 * @param: 从分类获取的数组 * @return: 最终整合了图书信息的数组 */
function make_array($data) {
    foreach ($data as $key => $value) {
        echo $value['category_url']."\n";
        $value['books'] = get_book($value['category_url']);
        $data[$key] = $value;
    }
    return $data;
}
/* * @Description: 写入txt文件 * @param: 整合好的数组 * @return: 没有返回值 */ 
function make_txt($data) {
    $txt_obj = fopen('books.txt', 'w+');
    foreach ($data as $key => $value) {
        $category_name = $value['category_name'];
        fwrite($txt_obj, "{$category_name}\n");
        foreach ($value['books'] as $k => $book) {
            $book_name = $book['book_name'];
            $book_price = $book['book_price'];
            fwrite($txt_obj, "\t\"{$book_name}\" {$book_price}\n");
        }
    }
    fclose($txt_obj);
}


// 爬取并整合数据
$data = make_array(get_category('http://books.toscrape.com/'));
// 把数据写入books.txt
make_txt($data);
复制代码

代码解析-中等难度-带注释

<?php


/** * _ooOoo_ * o8888888o * 88" . "88 * (| -_- |) * O\ = /O * ____/`---'\____ * .' \\| |// `. * / \\||| : |||// \ * / _||||| -:- |||||- \ * | | \\\ - /// | | * | \_| ''\---/'' | | * \ .-\__ `-` ___/-. / * ___`. .' /--.--\ `. . __ * ."" '< `.___\_<|>_/___.' >'"". * | | : `- \`.;`\ _ /`;.`/ - ` : | | * \ \ `-. \_ __\ /__ _/ .-` / / * ======`-.____`-.___\_____/___.-`____.-'====== * `=---=' * ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ * 佛祖保佑 永无BUG */

require 'vendor/autoload.php';
use QL\QueryList;
// 生成一个querylist对象
$ql = new QueryList();

/* * @Description:获取分类 * @params: 主页url * @return: 二维数组, 包括分类名称, 分类url */
function get_category($url) {
    global $ql;

    $data = $ql->get($url)->rules([
        "category_name" => ['#default > div > div > div > aside > div.side_categories > ul > li > ul > li > a', 'text'],
        "category_url" => ['#default > div > div > div > aside > div.side_categories > ul > li > ul > li > a', 'href'],
    ])->queryData();
    // 把分类的连接地址补全
    foreach ($data as $key => $value) {
        $value['category_url'] = $url . $value['category_url'];
        $data[$key] = $value;
    }
    return $data;
}

/* * @Description: 获取分类下的图书信息, 若是有下一页, 递归获取 * @param: 分类的url * @return: 二维数组, 包括图书名称, 图书价格 */
function get_book($url) {
    global $ql;
    echo $url."\n";
    $data = $ql->get($url)->rules([
        "book_name" => ['#default > div > div > div > div > section > div:nth-child(2) > ol > li > article > h3 > a', 'title'],
        "book_price" => ['#default > div > div > div > div > section > div:nth-child(2) > ol > li> article > div.product_price > p.price_color', 'text'],
    ])->queryData();
    // 获取下一页按钮的href, 用来拼接下一页的完整url
    $next = has_next($url);
    if($next){
        // 生成完整url
        $tmp_arr = explode('/',$url);
        $tmp_arr[count($tmp_arr)-1] = $next;
        $next_url = implode('/',$tmp_arr);
        // 调用get_book(), 把返回的数据和当前数据合并
        $data = array_merge($data,get_book($next_url));
    }
    return $data;
}
/* * @Description: 判断有没有下一页 * @param: 当前url * @return: 若是有返回按钮的href, 若是没有, 返回空字符串 */ 
function has_next($url){
    global $ql;
    $res = $ql->get($url)->find('#default > div > div > div > div > section > div:nth-child(2) > div > ul > li.next > a')->href;
    return $res;
}
/* * @Description: 生成最终的数组 * @param: 从分类获取的数组 * @return: 最终整合了图书信息的数组 */
function make_array($data) {
    foreach ($data as $key => $value) {
        echo $value['category_url']."\n";
        $value['books'] = get_book($value['category_url']);
        $data[$key] = $value;
    }
    return $data;
}
/* * @Description: 写入txt文件 * @param: 整合好的数组 * @return: 没有返回值 */ 
function make_txt($data) {
    $txt_obj = fopen('books.txt', 'w+');
    foreach ($data as $key => $value) {
        $category_name = $value['category_name'];
        fwrite($txt_obj, "{$category_name}\n");
        foreach ($value['books'] as $k => $book) {
            $book_name = $book['book_name'];
            $book_price = $book['book_price'];
            fwrite($txt_obj, "\t\"{$book_name}\" {$book_price}\n");
        }
    }
    fclose($txt_obj);
}


// 爬取并整合数据
$data = make_array(get_category('http://books.toscrape.com/'));
// 把数据写入books.txt
make_txt($data);
复制代码

下一节

• PHP爬虫 -- 011 PHP勾搭MySQL