php 网站爬虫入门 - Goutte

不使用 python scrapy 的原因

虽然我用 python 写爬虫已有多年，但是我越来越想尝试一下用 PHP 来写个爬虫

• 厌恶了 python 的包管理
• scrapy 对于小爬虫来说太繁琐了
• python 的 ORM 相对 PHP laravel 的 eloquent 都像是半成品

当然 scrapy 也有不可替代的功能

• 调试 console，这个无人可替代。chrome console XPath？

PHP 的爬虫库

https://github.com/BruceDone/awesome-crawler

Goutte 看上去不错，但是活跃度太低，一年也没几次提交。

不过，他的主要功能是基于 BrowserKit 和 DomCrawler 这两个库实现的。这两个库还算活跃。

Goutte 的娱乐小八卦

• goutte - 痛风
• guzzle - 狂饮 （guzzle 是 PHP 的一个 HTTP 库）

狂饮导致痛风。。。醉了。goutte 这个名字起得真是太潇洒了。。。

使用 Goutte 爬取大象笔记的标题

composer require fabpot/goutte

安装好 goutte 之后，编写逻辑代码

<?php

require __DIR__ . '/vendor/autoload.php';

use Goutte\Client;

$client = new Client();
$crawler = $client->request('GET', 'https://www.sunzhongwei.com');
$crawler->filter('h1')->each(function ($node) {
        print $node->text()."\n";
});

运行结果

% php go.php
大象笔记

Goutte 默认的请求头

"GET / HTTP/1.1" 200 34881 "-" "Symfony BrowserKit"

更复杂一点的爬虫

例如，爬取搜索引擎的搜索结果。

真实感受是，PHP 做起来太痛苦了。举个例子

• 当对象属性未知时，远不如 python 的 dir 好用
• 爬取结果去重，python set 一行搞定，这 php ...

试了一把，我还是决定使用 python requests + beautifulsoup。