fi1a/crawler

PHP crawler

dev-main 2023-02-22 02:43 UTC

Requires

• php: ^7.3 || ^8
• ext-dom: *
• ext-json: *
• fi1a/collection: ^2.0
• fi1a/console: ^2.1
• fi1a/filesystem: ^1.0
• fi1a/http: dev-main
• fi1a/http-client: dev-main
• fi1a/log: dev-master
• fi1a/simplequery: ^2.0

Requires (Dev)

• ext-posix: *
• captainhook/captainhook: ^5.11
• fi1a/var-dumper: dev-master
• phpunit/phpunit: ^9.5
• slevomat/coding-standard: ^8.6
• squizlabs/php_codesniffer: ^3.7
• vimeo/psalm: ^4.3

MIT

• Fi1a

README

Этот пакет предоставляет API для обхода ссылок и скачивания файлов (парсинга сайта). С помощью данного пакета вы можете забирать любую информацию со стороннего сайта. Есть возможность создать собственные обработчики, которые позволят кастомизировать логику парсинга страницы, подготовки и сохранения.

Установка

Установить этот пакет можно как зависимость, используя Composer.

composer require fi1a/crawler

Шаги процесса парсинга

Процесс парсинга разделен на три шага:

1. загрузка;
2. процесс;
3. запись.

На шаге "загрузка" осуществляется обход страниц или файлов и их загрузка. Парсинг новых ссылок из загруженной страницы осуществляется классом реализующим интерфейс Fi1a\Crawler\UriParsers\UriParserInterface. Определение загружать адрес или нет осуществляется классом реализующим интерфейс Fi1a\Crawler\Restrictions\RestrictionInterface.

Шаг "процесс" идет следующим за шагом "загрузка". На данном шаге осуществляется преобразование адресов классом реализующим интерфейс Fi1a\Crawler\UriTransformers\UriTransformerInterface.

Последним шагом идет шаг "запись". Перед записью осуществляется подготовка контента с помощью класса реализующего интерфейс Fi1a\Crawler\PrepareItems\PrepareItemInterface (класс Fi1a\Crawler\PrepareItems\PrepareHtmlItem заменяет старые ссылки на новые). Запись осуществляется с помощью Fi1a\Crawler\Writers\WriterInterface.

Методом run класса Fi1a\Crawler\Crawler запускается все три шага последовательно, но можно запускать шаги поочередно методами download (шаг загрузки), process (шаг процесса) и write (шаг записи).

Примеры

Ниже представлены наиболее часто встречающиеся задачи для обхода веб-сайтов.

Создание копии сайта

С помощью представленного кода можно создать копию веб-сайта https://some-domain.ru в указанной директории __DIR__ . '/local-site'.

use Fi1a\Crawler\Config;
use Fi1a\Crawler\ConfigInterface;
use Fi1a\Crawler\Crawler;
use Fi1a\Crawler\ItemStorages\ItemStorage;
use Fi1a\Crawler\ItemStorages\StorageAdapters\LocalFilesystemAdapter;
use Fi1a\Crawler\Writers\FileWriter;

$config = new Config();

$config->setVerbose(ConfigInterface::VERBOSE_DEBUG)
    ->setSizeLimit('5Mb')
    ->addStartUri('https://some-domain.ru');

$crawler = new Crawler($config, new ItemStorage(new LocalFilesystemAdapter(__DIR__ . '/runtime/storage')));

$crawler->setWriter(new FileWriter(__DIR__ . '/local-site'));

$crawler->run();

Для начала нужно создать объект конфигурации Config и передать его в конструктор класса Crawler вместе с объектом класса ItemStorage. Затем установить объект FileWriter с помощью метода setWriter класса Crawler реализующего логику сохранения элементов (страниц, файлов) в локальную файловую систему.

Запуск парсинга сайта осуществляется с помощью метода run класса Crawler.

Парсинг новостей

Класс парсера ссылок новостей. Находит на странице списка и возвращает ссылки относящиеся к детальной новости и к списку.

namespace Foo\UriParsers;

use Fi1a\Console\IO\ConsoleOutputInterface;
use Fi1a\Crawler\ItemInterface;
use Fi1a\Crawler\UriCollection;
use Fi1a\Crawler\UriCollectionInterface;
use Fi1a\Crawler\UriParsers\UriParserInterface;
use Fi1a\Http\Uri;
use Fi1a\Log\LoggerInterface;
use Fi1a\SimpleQuery\SimpleQuery;
use InvalidArgumentException;

/**
 * Парсер ссылок новостей
 */
class NewsUriParser implements UriParserInterface
{
    /**
     * @inheritDoc
     */
    public function parse(
        ItemInterface $item,
        ConsoleOutputInterface $output,
        LoggerInterface $logger
    ): UriCollectionInterface {
        $collection = new UriCollection();

        if (
            !$item->isAllow()
            || $item->getItemUri()->host() !== 'news-domain.ru'
            || $item->getItemUri()->path() !== '/news/'
        ) {
            return $collection;
        }

        $sq = new SimpleQuery((string) $item->getBody());

        // выбираем ссылки ведущие на детальную новости и ссылки постраничной навигации
        $nodes = $sq('#news .header, #news .pm_s, #news .pm_n');
        /** @var \DOMElement $node */
        foreach ($nodes as $node) {
            $value = $sq($node)->attr('href');
            if (!is_string($value) || !$value) {
                continue;
            }
            try {
                $uri = new Uri($value);
            } catch (InvalidArgumentException $exception) {
                continue;
            }

            $collection[] = $uri;
        }

        return $collection;
    }
}

Класс преобразования ссылок. Преобразует ссылки новостей из формата источника в новый формат (https://news-domain.ru/news/news-code-1.html => /news/news-code-1/).

namespace Foo\UriTransformers;

use Fi1a\Console\IO\ConsoleOutputInterface;
use Fi1a\Crawler\ItemInterface;
use Fi1a\Crawler\UriTransformers\UriTransformerInterface;
use Fi1a\Http\UriInterface;
use Fi1a\Log\LoggerInterface;

/**
 * Преобразует uri новостей из внешних адресов в новые
 */
class NewsUriTransformer implements UriTransformerInterface
{
    /**
     * @inheritDoc
     */
    public function transform(
        ItemInterface $item,
        ConsoleOutputInterface $output,
        LoggerInterface $logger
    ): UriInterface {
        if (!$item->isAllow()) {
            return $item->getItemUri();
        }

        $isNewsPage = preg_match(
            '#https://news-domain.ru/news/(.+)\.html#mui',
            $item->getItemUri()->uri(),
                $matches
        ) > 0;

        if (!$isNewsPage) {
            $output->writeln('    <color=blue>- Не является ссылкой на новость</>');

            return $item->getItemUri();
        }

        // Преобразуем ссылки на новости в новый формат
        $object = $item->getItemUri()
            ->withHost('')
            ->withPort(null)
            ->withPath('/news/' . $matches[1] . '/');

        return $object;
    }
}

Класс подготавливает HTML новости удаляя "хлебные крошки" и блоки не относящиеся к контенту новости.

namespace Foo\PrepareItems;

use Fi1a\Console\IO\ConsoleOutputInterface;
use Fi1a\Crawler\ItemCollectionInterface;
use Fi1a\Crawler\ItemInterface;
use Fi1a\Crawler\PrepareItems\PrepareHtmlItem;
use Fi1a\Log\LoggerInterface;
use Fi1a\SimpleQuery\SimpleQuery;

/**
 * Подготавливает HTML новости
 */
class NewsPrepareItem extends PrepareHtmlItem
{
    /**
     * @inheritDoc
     */
    public function prepare(
        ItemInterface $item,
        ItemCollectionInterface $items,
        ConsoleOutputInterface $output,
        LoggerInterface $logger
    ) {
        $isNewsPage = preg_match(
            '#https://news-domain.ru/news/(.+)\.html#mui',
            $item->getItemUri()->uri()
        ) > 0;

        if (!$isNewsPage) {
            return false;
        }

        $sq = new SimpleQuery((string) $item->getBody(), 'UTF-8');

        $news = $sq('#news');
        // Удаляем лишние элементы, остается только новость с заголовком и контентом
        $news('.share, .breadcrumbs, p:last-child')->remove();

        // Заменяем ссылки на новые ссылки новостей
        $this->replace('a', 'href', $news, $item, $items);

        return $news->html();
    }
}

Класс добавляющий/обновляющий новости на сайте 1С-Битрикс записывая их в ИБ.

namespace Foo\Writers;

use ErrorException;
use Fi1a\Console\IO\ConsoleOutputInterface;
use Fi1a\Crawler\ItemInterface;
use Fi1a\Crawler\Writers\WriterInterface;
use Fi1a\Log\LoggerInterface;
use Fi1a\SimpleQuery\SimpleQuery;
use Bitrix\Main\Loader;
use Bitrix\Iblock\IblockTable;

/**
 * Записывает результат в ИБ 1С-Битрикса
 */
class NewsWriter implements WriterInterface
{
    /**
     * @var int
     */
    protected $newsIblockId;

    public function __construct()
    {
        Loader::includeModule('iblock');

        $iblock = IblockTable::query()
            ->setSelect(['ID',])
            ->where('CODE', '=', 'furniture_news_s1')
            ->exec()
            ->fetch();

        if (!$iblock) {
            throw new ErrorException('Инфоблок новостей не найден');
        }

        $this->newsIblockId = (int) $iblock['ID'];
    }

    /**
     * @inheritDoc
     */
    public function write(ItemInterface $item, ConsoleOutputInterface $output, LoggerInterface $logger): bool
    {
        $isNewsPage = preg_match(
                '#https://news-domain.ru/news/(.+)\.html#mui',
                $item->getItemUri()->uri(),
                $matches
            ) > 0;

        if (!$isNewsPage) {
            $output->writeln('    <color=blue>- Не является страницей новости</>');

            return false;
        }

        $sq = new SimpleQuery((string) $item->getPrepareBody(), 'UTF-8');

        $name = $sq('h1')->html();
        $sq('h1')->remove();
        $code = $matches[1];
        $detailText = $sq('body')->html();
        $previewText = \TruncateText(strip_tags($detailText), 50);

        $fields = [
            'IBLOCK_ID' => $this->newsIblockId,
            'NAME' => $name,
            'CODE' => $code,
            'DETAIL_TEXT' => $detailText,
            'DETAIL_TEXT_TYPE' => 'html',
            'PREVIEW_TEXT' => $previewText,
            'ACTIVE' => 'Y',
        ];

        $news = \CIBlockElement::GetList([], [
            '=IBLOCK_ID' => $this->newsIblockId,
            '=CODE' => $code,
        ], false, false, ['ID'])->Fetch();

        $instance = new \CIBlockElement();

        if ($news) {
            $result = $instance->Update($news['ID'], $fields);
            if ($result === false) {
                $output->writeln('    <error>Не удалось обновить новость: {{}}</>', [$instance->LAST_ERROR]);
            }

            return $result;
        }

        $newsId = (int) $instance->Add($fields);

        if (!$newsId) {
            $output->writeln('    <error>Не удалось создать новость: {{}}</>', [$instance->LAST_ERROR]);

            return false;
        }

        return true;
    }
}

Создается объект конфигурации Config со значениями:

• уровень подробности вывода;
• время жизни элементов в хранилище (0 - без ограничения);
• ограничение на загружаемый файл (5Mb для всех типов файлов);
• добавляется точка входа, с которой начинается обход (https://news-domain.ru/news/ - список новостей)

Устанавливаем классы определяющие поведение:

• метод setUriParser устанавливает парсер uri для обхода (в зависимости от типа контента);
• метод setUriTransformer устанавливает класс преобразователь адресов из внешних во внутренние;
• метод setPrepareItem устанавливает класс подготавливающий контент (удаляет лишние теги не относящиеся к новости);
• метод setWriter устанавливает класс записывающий результат обхода (записывает новость в ИБ 1С-Битрикса).

Методом loadFromStorage класса Fi1a\Crawler\Crawler загружаем из хранилища обработанные элементы с последнего запуска и для страниц списка новостей, отмечаем повторную обработку с целью найти новые добавленные новости.

Запускаем парсинг новостей методом run класса Fi1a\Crawler\Crawler.

use Fi1a\Crawler\Config;
use Fi1a\Crawler\ConfigInterface;
use Fi1a\Crawler\Crawler;
use Fi1a\Crawler\ItemInterface;
use Fi1a\Crawler\ItemStorages\ItemStorage;
use Fi1a\Crawler\ItemStorages\StorageAdapters\LocalFilesystemAdapter;
use Fi1a\Http\Mime;
use Foo\PrepareItems\NewsPrepareItem;
use Foo\UriParsers\NewsUriParser;
use Foo\UriTransformers\NewsUriTransformer;
use Foo\Writers\NewsWriter;

$config = new Config();

$config->setVerbose(ConfigInterface::VERBOSE_DEBUG)
    ->setLifetime(0)
    ->setSizeLimit('5Mb')
    ->addStartUri('https://news-domain.ru/news/');

$crawler = new Crawler($config, new ItemStorage(new LocalFilesystemAdapter(__DIR__ . '/runtime/storage')));

$crawler->setUriParser(new NewsUriParser(), Mime::HTML)
    ->setUriTransformer(new NewsUriTransformer())
    ->setPrepareItem(new NewsPrepareItem())
    ->setWriter(new NewsWriter(), Mime::HTML);

$crawler->loadFromStorage();

// При повторном запуске страницы списка помечаем на повторную обработку для добавления новых новостей
foreach ($crawler->getItems() as $item) {
    assert($item instanceof ItemInterface);
    if (
        !$item->isAllow()
        || $item->getItemUri()->host() !== 'news-domain.ru'
        || $item->getItemUri()->path() !== '/news/'
    ) {
        continue;
    }

    $item->setDownloadStatus(null);
    $item->setProcessStatus(null);
    $item->setWriteStatus(null);
}

$crawler->run();

Основные классы пакета:

Ниже представлены основные классы пакета. С помощью одних можно настроить поведение парсера, а с помощью других расширить его.

• Fi1a\Crawler\Crawler - основной класс пакета;
• Fi1a\Crawler\Config - конфигурация парсинга;
• Fi1a\Crawler\UriCollection - коллекция адресов.
• Fi1a\Crawler\Item - элемент обхода;
• Fi1a\Crawler\ItemCollection - коллекция элементов обхода.
• Fi1a\Crawler\ItemStorages\ItemStorage - реализует хранилище элементов парсинга;
  • Fi1a\Crawler\ItemStorages\StorageAdapters\LocalFilesystemAdapter - адаптер для хранения в локальной файловой системе;
  • Fi1a\Crawler\ItemStorages\StorageAdapters\FilesystemAdapter - адаптер для хранения в файловой системе;
• Прокси
  • Fi1a\Crawler\Proxy\Proxy - прокси для запроса;
  • Fi1a\Crawler\Proxy\ProxyCollection - коллекция прокси;
  • Fi1a\Crawler\Proxy\ProxyStorage - реализует хранилище для прокси;
    • Fi1a\Crawler\Proxy\StorageAdapters\LocalFilesystemAdapter - адаптер для хранения в локальной файловой системе;
    • Fi1a\Crawler\Proxy\StorageAdapters\FilesystemAdapter - адаптер для хранения в файловой системе;
  • Подбор подходящих прокси для запроса
    • Fi1a\Crawler\Proxy\Selections\FilterByAttempts - фильтрация прокси по числу ошибок соединения;
    • Fi1a\Crawler\Proxy\Selections\Limit - ограничение на кол-во подобранных прокси;
    • Fi1a\Crawler\Proxy\Selections\OnlyActive - фильтрация прокси по активности;
    • Fi1a\Crawler\Proxy\Selections\SortedByTime - отсортированные по времени использования;
• Классы расширяющие операции
  • Ограничение обхода uri
    • Fi1a\Crawler\Restrictions\NotAllowRestriction - запрет на обход для всех uri;
    • Fi1a\Crawler\Restrictions\UriRestriction - ограничение по домену и пути;
  • Шаг загрузки
    • Fi1a\Crawler\UriParsers\HtmlUriParser - парсит html и возвращает uri для обхода;
  • Шаг преобразования uri
    • Fi1a\Crawler\UriTransformers\SiteUriTransformer - преобразует uri из внешних адресов в локальные;
  • Шаг записи
    • Fi1a\Crawler\PrepareItem\PrepareHtmlItem - подготавливает HTML элемент (заменяет ссылки страницы на новые);
    • Fi1a\Crawler\Writers\FileWriter - записывает результат обхода в файл;

Объект настроек

• startUri - точка входа, с которой начинается обход;
  • addStartUri(string $startUri) - добавить точку входа;
  • getStartUri(): array - возвращает добавленные точки входа;
• httpClientConfig - объект настроек http-клиента (подробнее об объекте настроек);
  • setHttpClientConfig(Fi1a\HttpClient\ConfigInterface $config) - установить объект настроек http-клиента;
  • getHttpClientConfig(): Fi1a\HttpClient\ConfigInterface - возвращает объект настроек http-клиента;
• httpClientHandler ("Fi1a\HttpClient\Handlers\StreamHandler") - обработчик запросов (возможные значения: "Fi1a\HttpClient\Handlers\StreamHandler", "Fi1a\HttpClient\Handlers\CurlHandler")
  • setHttpClientHandler(string $handler) - установить обработчик запросов;
  • getHttpClientHandler(): string - вернуть обработчик запросов;
• verbose (ConfigInterface::VERBOSE_NORMAL) - уровень подробности вывода (возможные значения: ConfigInterface::VERBOSE_NONE, ConfigInterface::VERBOSE_NORMAL, ConfigInterface::VERBOSE_HIGHT, ConfigInterface::VERBOSE_HIGHTEST, ConfigInterface::VERBOSE_DEBUG);
  • setVerbose(int $verbose) - установить уровень подробности вывода;
  • getVerbose(): int - вернуть уровень подробности вывода;
• logChannel ("crawler") - канал логирования;
  • setLogChannel(string $logChannel) - установить канал логирования;
  • getLogChannel(): string - вернуть канал логирования;
• saveAfterQuantity (10) - параметр, определяющий через какое новое кол-во элементов сохранять элементы в хранилище;
  • setSaveAfterQuantity(int $quantity) - установить параметр, определяющий через какое новое кол-во элементов сохранять элементы в хранилище;
  • getSaveAfterQuantity(): int - возвращает параметр, определяющий через какое новое кол-во элементов сохранять элементы в хранилище;
• lifeTime (24 * 60 * 60) - время жизни элементов в хранилище;
  • setLifetime(int $lifeTime) - установить время жизни элементов в хранилище;
  • getLifetime(): int - вернуть время жизни элементов в хранилище;
• delay ([0, 0]) - пауза между запросами;
  • setDelay($delay) - установить паузу между запросами (возможные значения: int|array<array-key, int>);
  • getDelay(): array - вернуть паузу между запросами;
• sizeLimits - ограничение на загружаемый файл по типу контента;
  • setSizeLimit($sizeLimit, ?string $mime = null) - установить ограничение на загружаемый файл по типу контента;
  • getSizeLimits(): array - возвращает ограничения на загружаемые файлы по типу контента;
• retry (3) - кол-во попыток запросов к адресу при http ошибки;
  • setRetry(int $retry) - установить кол-во попыток запросов к адресу при http ошибки;
  • getRetry(): int - вернуть кол-во попыток запросов к адресу при http ошибки.

Пример:

• установить уровень подробности вывода на самый наивысший уровень ConfigInterface::VERBOSE_DEBUG;
• ограничение на все загружаемые файлы в 5Mb и на файл типа jpeg в 1Mb;
• пауза между запросами случайным образом от 3 до 10 секунд;
• добавить точку входа https://some-domain.ru.

use Fi1a\Crawler\Config;
use Fi1a\Crawler\ConfigInterface;

$config = new Config();

$config->setVerbose(ConfigInterface::VERBOSE_DEBUG)
    ->setSizeLimit('5Mb')
    ->setSizeLimit('1Mb', 'image/jpeg')
    ->setDelay([3, 10])
    ->addStartUri('https://some-domain.ru');

Ограничение обхода

Для ограничения обхода парсером используется класс реализующий интерфейс Fi1a\Crawler\Restrictions\RestrictionInterface, добавленный методом addRestriction класса Fi1a\Crawler\Crawler.

В пакете имеются два класса для реализации ограничения:

• Fi1a\Crawler\Restrictions\NotAllowRestriction - запрет на обход;
• Fi1a\Crawler\Restrictions\UriRestriction - ограничение по домену и пути;

Пример ограничения обхода папкой news домена some-domain.ru:

use Fi1a\Crawler\Restrictions\UriRestriction;

$crawler->addRestriction(new UriRestriction('https://some-domain.ru/news/'));

Если не были заданы ограничения при начале шага загрузки, они Fi1a\Crawler\Restrictions\UriRestriction добавляются автоматически на основе точек входа заданных методом addStartUri объекта конфигурации.

Элемент обхода

При парсинге объект класса Fi1a\Crawler\Item используется как конечная точка адреса содержащая в себе всю необходимую информацию для парсинга.

Методы класса:

Метод	Описание
getItemUri(): UriInterface	Возвращает uri
setStatusCode(?int $statusCode)	Устанавливает код статуса ответа
getStatusCode(): ?int	Возвращает код статуса ответа
setReasonPhrase(?string $reasonPhrase)	Устанавливает текст причины ассоциированный с кодом статуса
getReasonPhrase(): ?string	Возвращает текст причины ассоциированный с кодом статуса
setDownloadStatus(?bool $status)	Запрос выполнен успешно или нет
getDownloadStatus(): ?bool	Запрос выполнен успешно или нет
setProcessStatus(?bool $status)	Обработка выполнена успешно или нет
getProcessStatus(): ?bool	Обработка выполнена успешно или нет
setWriteStatus(?bool $status)	Запись выполнена успешно или нет
getWriteStatus(): ?bool	Запись выполнена успешно или нет
setAllow(bool $allow)	Разрешено к обработке или нет
isAllow(): bool	Разрешено к обработке или нет
setBody(string $body)	Установить тело ответа
getBody(): ?string	Вернуть тело ответа
setPrepareBody($body)	Установить подготовленное тело ответа
getPrepareBody()	Вернуть подготовленное тело ответа
free()	Очищает тело запроса
reset()	Сбрасывает состояние
setContentType(?string $contentType)	Установить тип контента
getContentType(): ?string	Вернуть тип контента
setNewItemUri(UriInterface $newItemUri)	Установить новый uri
getNewItemUri(): ?UriInterface	Вернуть новый uri
expiresAt(?DateTime $dateTime)	Истечет в переданное время
expiresAfter(?int $lifetime)	Истекает через переданное время
getExpire(): ?DateTime	Возвращает когда закончится срок жизни
isExpired(): bool	Срок жизни истек
getAbsoluteUri(UriInterface $uri): UriInterface	Возвращает абсолютный путь относительно элемента
isImage(): bool	Является ли изображением
isFile(): bool	Является ли "файлом"
isPage(): bool	Является ли "страницей"
isCss(): bool	Является ли Css файлом
isJs(): bool	Является ли Js файлом
toArray(): array	В массив
static fromArray(array $fields)	Из массива

Получить коллекцию элементов обхода можно методом getItems класса Fi1a\Crawler\Crawler.

Геттеры коллекций элементов обхода

После выполнения парсинга или загрузки элементов из хранилища с помощью метода loadFromStorage класса Fi1a\Crawler\Crawler становится доступна коллекция элементов Fi1a\Crawler\ItemCollectionInterface, которую можно получить методом getItems класса Fi1a\Crawler\Crawler.

У данной коллекции есть вспомогательные методы, позволяющие отфильтровать элементы коллекции по какому либо признаку:

• getDownloaded - возвращает успешно загруженные элементы;
• getProcessed - возвращает успешно обработанные элементы;
• getWrited - возвращает успешно записанные элементы;
• getImages - возвращает все элементы изображений;
• getFiles - возвращает все элементы файлов;
• getPages - возвращает все элементы страниц;
• getCss - возвращает все элементы css файлов;
• getJs - возвращает все элементы js файлов.

Пример выведет все ссылки на загруженные изображения:

$crawler->loadFromStorage();
$collection = $crawler->getItems();

foreach ($collection->getDownloaded()->getImages() as $item) {
    echo $item->getItemUri()->uri() . PHP_EOL;
}

Использование прокси при запросах

При парсинге сайтов часто требуется использовать прокси. Данный пакет имеет вспомогательные классы для работы с прокси при запросах.

При работе для записи или чтения информации о прокси используется класс Fi1a\Crawler\Proxy\ProxyStorage. Данный класс реализует хранилище прокси. Каким образом будет осуществляться хранение определяется адаптером передаваемым первым аргументов в конструктор (адаптер Fi1a\Crawler\Proxy\StorageAdapters\LocalFilesystemAdapter осуществляет хранение прокси в json-файле).

Доступны два типа прокси: http и socks5 прокси. Следующий код добавляет прокси в хранилище:

use Fi1a\Crawler\Proxy\Proxy;
use Fi1a\Crawler\Proxy\ProxyStorage;
use Fi1a\Crawler\Proxy\StorageAdapters\LocalFilesystemAdapter;

$proxyStorage = new ProxyStorage(new LocalFilesystemAdapter(__DIR__ . '/runtime'));

$httpProxy = Proxy::factory([
    'type' => 'http',
    'host' => '127.0.0.1',
    'port' => 50100,
    'userName' => 'username',
    'password' => 'password',
]);
$proxyStorage->save($httpProxy);

$httpProxy = Proxy::factory([
    'type' => 'socks5',
    'host' => '127.0.0.1',
    'port' => 50101,
    'userName' => 'username',
    'password' => 'password',
]);
$proxyStorage->save($httpProxy);

При следующем запуске парсера данные прокси будут загружены из хранилища и использованы для запросов.

Подбор подходящих прокси осуществляется с помощью классов Fi1a\Crawler\Proxy\Selections\ProxySelectionInterface:

• Fi1a\Crawler\Proxy\Selections\FilterByAttempts - фильтрация прокси по числу ошибок соединения;
• Fi1a\Crawler\Proxy\Selections\Limit - ограничение на кол-во подобранных прокси;
• Fi1a\Crawler\Proxy\Selections\OnlyActive - фильтрация прокси по активности;
• Fi1a\Crawler\Proxy\Selections\SortedByTime - отсортированные по времени использования;

Следующий код выберет только активные прокси (OnlyActive), отфильтрует по числу ошибок (FilterByAttempts), отсортирует по времени использования (SortedByTime) и вернет одну прокси (Limit) для использования в запросе:

$crawler->setProxySelection(new Limit(new SortedByTime(new FilterByAttempts(new OnlyActive(), 3)), 1));

Пример парсинга сайта с использованием сохраненных прокси в хранилище:

use Fi1a\Crawler\Config;
use Fi1a\Crawler\ConfigInterface;
use Fi1a\Crawler\Crawler;
use Fi1a\Crawler\ItemStorages\ItemStorage;
use Fi1a\Crawler\ItemStorages\StorageAdapters\LocalFilesystemAdapter;
use Fi1a\Crawler\Proxy\ProxyStorage;
use Fi1a\Crawler\Proxy\Selections\FilterByAttempts;
use Fi1a\Crawler\Proxy\Selections\Limit;
use Fi1a\Crawler\Proxy\Selections\OnlyActive;
use Fi1a\Crawler\Proxy\Selections\SortedByTime;
use Fi1a\Crawler\Proxy\StorageAdapters\LocalFilesystemAdapter as ProxyStorageLocalFilesystemAdapter;
use Fi1a\Crawler\Writers\FileWriter;

$config = new Config();

$config->setVerbose(ConfigInterface::VERBOSE_DEBUG)
    ->setSizeLimit('5Mb')
    ->addStartUri('https://some-domain.ru');

$crawler = new Crawler(
    $config,
    new ItemStorage(new LocalFilesystemAdapter(__DIR__ . '/runtime/storage')),
    new ProxyStorage(new ProxyStorageLocalFilesystemAdapter(__DIR__ . '/runtime'))
);

$crawler->setProxySelection(new Limit(new SortedByTime(new FilterByAttempts(new OnlyActive(), 3)), 1))
    ->setWriter(new FileWriter(__DIR__ . '/local-site'));

$crawler->run();