用PHP蜘蛛做旅游数据分析

随着物质的提高，旅游渐渐成为人们的焦点，火热的国庆刚刚过去，乘着这股余热，我想很多人都想知道，大家一般会去哪里玩呢，于是我花了10分钟写了一个采集马蜂窝游记的小程序，当然速度能有这么快，完全依赖于PHP著名爬虫框架phpspider。

国际惯例，我们先来看看代码怎么写，算作抛砖引玉吧 ^_^

马蜂窝不同于常规网站，因为并发量高并且某些数据需要实时，比如观看人数，点赞人数，所以网站多处使用了Ajax，而Ajax对于普通采集者来说，是个比较大的问题。

观察了一下马蜂窝网站，最终确定了采集路线：

获取热门城市 -> 获取城市下的游记列表 -> 获取游记内容 -> 提取游记内容的游记标题、城市、出发时间等，接下来我们用三个步骤来实现它。。。

1、获取热门城市 http://www.mafengwo.cn/mdd/citylist/21536.html

首先我们要采集下这些热门城市

当我们点击页数的时候，发现他的数据是Ajax加载的，末页是297，而且使用的是POST方法

提交的参数如下：

很明显这个page就是页数了，这里就有个问题，phpspider框架是有 URL 去重机制的，POST的话URL只有一个，但是query_string是不影响POST数据的，我们可以在后面加上 ?page=1|2|3…，所以我们代码可以这么写：

设置列表页规则：

'list_url_regexes' => array(    "http://www.mafengwo.cn/mdd/base/list/pagedata_citylist?page=d+",)

在入口回调函数入口所有城市列表：

$spider->on_scan_page = function($page, $content, $phpspider) {    // 上面Ajax分页的末页是297页    for ($i = 0; $i <= 297; $i++)     {        // 全国热点城市        $url = "http://www.mafengwo.cn/mdd/base/list/pagedata_citylist?page={$i}";        $options = array(            'url_type' => $url,            'method' => 'post',            'fields' => array(                'mddid'=>21536,                'page'=>$i,            )        );        // 热点城市列表页URL入队列        $phpspider->add_url($url, $options);    }};

2、获取热门城市下的游记列表点击进入一个城市后，我们可以看到他下面的游记列表

当然和上面一样，也是Ajax加载的，我们可以打开chrome的开发者工具，点击Network，然后随意点击一个分页得到Ajax的URL：

和城市列表一样，也是POST，参数如下：

很明显page就是页数了，当然我们直接通过POST方式访问Ajax地址：

http://www.mafengwo.cn/gonglve/ajax.php?act=get_t…

是直接报错的，他需要来路，综合以上，我们代码可以这么来写：

首先我们要在 on_start 回调函数里面加上来路URL

$spider->on_start = function($phpspider) {    $phpspider->add_header('Referer','http://www.mafengwo.cn/mdd/citylist/21536.html');};

和上面获取城市列表一样，设置列表匹配规则：

'list_url_regexes' => array(    "http://www.mafengwo.cn/gonglve/ajax.php?act=get_travellist&mddid=d+", )

然后在 on_list_page 回调里面判断如果是第一页就获取总页数，然后循环入队列：

preg_match('#<span class="count">共<span>(.*?)</span>页#', $data_page, $out);for ($i = 0; $i < $out[1]; $i++) {    $v = $page['request']['fields']['mddid'];    $url = "http://www.mafengwo.cn/gonglve/ajax.php?act=get_travellist&mddid={$v}&page={$i}";    $options = array(        'url_type' => $url,        'method' => 'post',        'fields' => array(            'mddid'=>$v,            'pageid'=>'mdd_index',            'sort'=>1,            'cost'=>0,            'days'=>0,            'month'=>0,            'tagid'=>0,            'page'=>$i,        )    );    // 游记列表页URL入队列    $phpspider->add_url($url, $options);}

通过上面两个步骤，我们就把所有热门城市下的游记列表都放入到了队列，接下来我们进行第三步，从这些列表里面获取内容页URL，然后提取内容。

3、获取热门城市下的游记列表在 on_list_page 方法里面会得到列表页的内容，从这些内容里面我们可以提取内容页的URL

// 获取内容页preg_match_all('#<a href="/i/(.*?).html" target="_blank">#', $html, $out);if (!empty($out[1])) {    foreach ($out[1] as $v)     {        $url = "http://www.mafengwo.cn/i/{$v}.html";        // 内容页URL入队列        $phpspider->add_url($url);    }}

接下来我们来配置field提取内容页字段

'fields' => array(    // 标题    array(        'name' => "name",        'selector' => "//h1[contains(@class,'headtext')]",        'required' => true,    ),    // 分类    array(        'name' => "city",        'selector' => "//div[contains(@class,'relation_mdd')]//a",        'required' => true,    ),    // 出发时间    array(        'name' => "date",        'selector' => "//li[contains(@class,'time')]",        'required' => true,    ),)

设计一张数据表：