Beanbun: 简单开放的 PHP 爬虫框架

Beanbun

Beanbun 是用 PHP 编写的多进程网络爬虫框架，具有良好的开放性、高可扩展性。
项目地址：https://github.com/kiddyuchin...
文档地址：http://beanbun.org

由来

我希望有这样一个爬虫框架：在简单需求的情况下，可以用最少的代码快速建立一个功能完善的爬虫；而且如果你愿意，你可以对爬虫进行你想要的任何修改。它要天然支持分布式，支持多进程（或线程），利用 composer，可以方便的建立起一个功能强大的爬虫。
在对之前写过的一个爬虫的功能不断的删减调整后，就有了目前的 Beanbun，这个名字来自于作者家的猫，此猫名叫门丁，“门丁”是北方的一种面点。门丁 -> 豆包 -> bean bun。
我希望在这里能够抛砖引玉，和大家一起继续完善 Beanbun。

特点

• 支持守护进程与普通两种模式（守护进程模式只支持 Linux 服务器）

• 默认使用 Guzzle 进行爬取

• 支持分布式

• 支持内存、Redis 等多种队列方式

• 支持自定义URI过滤

• 支持广度优先和深度优先两种爬取方式

• 遵循 PSR-4 标准

• 爬取网页分为多步，每步均支持自定义动作（如添加代理、修改 user-agent 等）

• 灵活的扩展机制，可方便的为框架制作插件：自定义队列、自定义爬取方式...

安装

Beanbun 可以通过 composer 进行安装。

$ composer require kiddyu/beanbun

一个简单的例子

创建一个文件 start.php，包含以下内容

<?php
require_once(__DIR__ . '/vendor/autoload.php');

use Beanbun\Beanbun;
$beanbun = new Beanbun;
$beanbun->seed = [
    'http://www.950d.com/',
    'http://www.950d.com/list-1.html',
    'http://www.950d.com/list-2.html',
];
$beanbun->afterDownloadPage = function($beanbun) {
    file_put_contents(__DIR__ . '/' . md5($beanbun->url), $beanbun->page);
};
$beanbun->start();

在命令行中执行

$ php start.php

接下来就可以看到抓取的日志了。

2017-04-04 14:14:14 Beanbun worker download http://www.950d.com/ success.
2017-04-04 14:14:14 Beanbun worker download http://www.950d.com/list-1.html success.
2017-04-04 14:14:14 Beanbun worker download http://www.950d.com/list-2.html success.

最后

后边我会针对一些不同类型的网站，写一些用 Beanbun 实现爬虫的小例子，欢迎大家持续关注。