kiddyu/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

1.0.4 2017-06-11 17:13 UTC

Requires

• php: >=5.5.0
• guzzlehttp/guzzle: ^6.0
• workerman/workerman: ^3.3

MIT

• Kidd Yu

• scraper
• spider
• crawler

README

简介

Beanbun 是一个简单可扩展的爬虫框架，支持分布式，支持守护进程模式与普通模式，守护进程模式基于 Workerman，下载器基于 Guzzle。

文档

https://github.com/kiddyuchina/Beanbun/blob/master/docs/chs/README.md

广告

推荐一下最近发现的一个很好用的全球代理：SmartProxy
专业海外http代理商，有1亿真实住宅IP资源，覆盖全球，高匿稳定提供100%原生住宅IP，支持社交账户、电商平台、网络数据收集等服务。
匿名性很好，伪装度很高，IP限制问题轻松解决。
本人测试用过之后感觉很不错。
现春季价格优惠，动态住宅代理只要65折！

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

快速开始

创建一个文件 start.php，包含以下内容

<?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。

插件

• beanbun-parser 数据抽取插件 https://github.com/kiddyuchina/beanbun-parser

更多详细内容，请查看 文档