本文主要为大家分享一篇thinkphp5 + beanbun 实现简单抓取电影网址及图片,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧,希望能帮助到大家。
先创建两个数据表分别存储第一级url表和这个url下面的图片表
dywz数据表
CREATE TABLE `think_dy2018` ( `id` int(7) unsigned NOT NULL AUTO_INCREMENT COMMENT '主键id', `movieName` varchar(255) NOT NULL COMMENT '电影名', `movieUrl` varchar(520) NOT NULL COMMENT '电影详情页地址', `addTime` int(11) NOT NULL COMMENT '添加时间', PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=8808 DEFAULT CHARSET=utf8 COMMENT='dywz信息采集'
CREATE TABLE `think_dy2018imgs` ( `id` int(8) unsigned NOT NULL AUTO_INCREMENT COMMENT '图片id', `urlID` int(7) NOT NULL COMMENT '关联的电影ID', `imgUrl` varchar(520) DEFAULT NULL COMMENT '图片地址', `create_time` int(10) NOT NULL COMMENT '图片添加时间', PRIMARY KEY (`id`), KEY `urlID` (`urlID`) ) ENGINE=InnoDB AUTO_INCREMENT=1279 DEFAULT CHARSET=utf8 COMMENT='图片地址'
接下来通过thinkphp5来写,首先还得安装扩展 Beanbun,然后对电影网站 进行分析,使用Beanbun抓取页面后,用正则筛选出自己想要的 movieName、movieUrl。
thinkphp5代码
1、执行 getList()可以获得一级页面movieName、movieUrl
2、执行 getImage()可以获得一级页面每一条电影url下面详细信息的大图
<?php /* +------------------------------------------------------------------------------------------- + Title : 爬虫控制器 + Version : V1.0.0.2 + Initial-Time : 2018/3/27 + sgw + Last-time : 2018/3/27 + sgw + Desc : 爬取网站电影信息 +------------------------------------------------------------------------------------------- */ namespace app\index\controller; use \Beanbun\Beanbun; use Beanbun\Lib\Helper; use \GuzzleHttp\Client; use \think\Controller; use \think\Db; class Robot extends Controller{ /** * 抓取 一级页面信息 */ public function getList(){ $beanbun = new Beanbun; $urlList = ['http://www.ygdy8.net/html/gndy/dyzz/index.html']; for($i=2;$i<=173;$i++ ){ $urlList[] = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_'.$i.'.html'; } $beanbun->seed = $urlList; $beanbun->afterDownloadPage = function($beanbun) { if (strlen($beanbun->page) < 100) { $beanbun->error(); } # 对抓取内容转码 $contents = mb_convert_encoding($beanbun->page,'utf8' ,'gb2312'); file_put_contents('66.html', $contents); $patter = '/<td height="26">\s*<b>\s*<a href="(.+)".*>(.*)<\/a>\s*<\/b>/sU'; preg_match_all($patter, $contents, $m); # 对抓取的数据分析插入数据库 if($m[0]){ $hrefs = $m[1]; $titles = $m[2]; foreach ($hrefs as $key => $href){ $url = Helper::formatUrl($href, $beanbun->url); $data[] = [ 'movieName' => strip_tags($titles[$key]), 'movieUrl' => $url, 'addTime' => time() ]; } Db::name('dy2018')->insertAll($data); } }; # 抓取页面之后回调 $beanbun->start(); } /** * 抓取 改url下面相信信息的imges * 查询数据表中id,movieUrl。然后根据movieUrl爷们内容爬取图片(注意这里图片可能有多张,所以用循环对应同一个movieUrl的urlID) * */ public function getImage(){ # 返回bool $result = Db::table('think_dywz')->column('id,movieUrl'); foreach ($result as $key => $value){ $result = $this->https_request($value); $pattern = '/<img border="0"\s+src="(.+)".*>/sU'; preg_match_all($pattern,$result,$m); if ($m[0]) { $imgs = $m[1]; foreach ($imgs as $k=> $v) { $data = [ 'imgUrl' => $v, 'urlID' => $key, 'create_time' => time(), ]; Db::name('dywzimgs')->insert($data); } } } } /** * cURL万能函数 * @param [string] $url [请求地址] * @param [arra] $data [post的数据] * @return mixed */ private static function https_request($url, $data = null){ # 初始化一个cURL会话 $curl = curl_init(); //设置请求选项, 包括具体的url curl_setopt($curl, CURLOPT_URL, $url); curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, FALSE); //禁用后cURL将终止从服务端进行验证 curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, FALSE); if (!empty($data)){ curl_setopt($curl, CURLOPT_POST, 1); //设置为post请求类型 curl_setopt($curl, CURLOPT_POSTFIELDS, $data); //设置具体的post数据 } curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1); $response = curl_exec($curl); //执行一个cURL会话并且获取相关回复 curl_close($curl); //释放cURL句柄,关闭一个cURL会话 return $response; } }
这就是完整的代码了,相信聪明的你已经学会了。
Atas ialah kandungan terperinci thinkphp5 + beanbun 实现简单抓取电影网址及图片. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!