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'
登录后复制
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'
登录后复制
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;
}
}登录后复制
这就是完整的代码了，相信聪明的你已经学会了。
以上就是thinkphp5 + beanbun 实现简单抓取电影网址及图片的详细内容，更多请关注Work网其它相关文章！