Herramientas para capturar y convertir la web

PHP Scraper API con GrabzIt

API PHP Scraper

Nuestra API PHP Scraper permite agregar el poder de GrabzIt's Web Scraper a su aplicación. Esta es una solución mucho mejor que los analizadores HTML DOM simples, generalmente implementados por aplicaciones de raspado de PHP.

Para empezar debes crear un rasguño. Luego, para analizar la web en su aplicación, debe descargar La biblioteca PHP. Finalmente, para comenzar, mire el controlador de ejemplo ubicado dentro de la descarga.

Procesar datos raspados

La forma más fácil de procesar datos raspados es acceder a los datos como un objeto JSON o XML. Como esto permite que los datos sean fácilmente manipulados y consultados. El JSON se estructurará en el siguiente formato general, con el nombre del conjunto de datos como el atributo del objeto. Contiene una matriz de objetos con cada nombre de columna como otro atributo.

{
  "Dataset_Name": [
    {
      "Column_One": "https://grabz.it/",
      "Column_Two": "Found"
    },
    {
      "Column_One": "http://dfadsdsa.com/",
      "Column_Two": "Missing"
    }]
}

En primer lugar, debe recordarse que al controlador se le enviarán todos los datos extraídos. Esto puede incluir datos que no se pueden convertir a objetos JSON o XML. Por lo tanto, el tipo de datos que está recibiendo debe verificarse antes de ser procesado.

$scrapeResult = new \GrabzIt\Scraper\ScrapeResult();

if ($scrapeResult->getExtension() == 'json')
{
    $json = $scrapeResult->toJSON();
    foreach ($json->Dataset_Name as $obj)
    {
        if ($obj->Column_Two == "Found")
        {
            //do something
        }
        else
        {
            //do something else
        }
    }
}
else
{
    //probably a binary file etc save it
    $scrapeResult->save("results/".$scrapeResult->getFilename());
}

El ejemplo anterior muestra cómo recorrer todos los resultados del conjunto de datos Dataset_Name. Luego, para cada resultado, realice una acción específica según el valor de Column_Two atributo. Además, si el archivo recibido por el controlador no es un archivo JSON, entonces es solo saved al directorio de resultados. Mientras que la clase ScrapeResult intenta asegurarse de que todos los archivos publicados se originen en los servidores de GrabzIt. La extensión de los archivos también debe verificarse antes de que sean saved.

Métodos de ScrapeResult

A continuación se enumeran todos los métodos de la clase ScrapeResult que se pueden usar para procesar resultados de raspado.

Depuración

La mejor manera de depurar su controlador PHP es descargar los resultados para un raspado del rasguños web página. Entonces save el archivo con el que tiene un problema en una ubicación accesible. La ruta de este archivo se puede pasar al constructor de la clase ScrapeResult. Esto le permite depurar su controlador sin tener que hacer un nuevo raspado cada vez, como se muestra a continuación.

$scrapeResult = new \GrabzIt\Scraper\ScrapeResult("data.json");

//the rest of your handler code remains the same

Control de un raspado

Con la API de Web Scraper de GrabzIt puede cambiar el estado de un raspado. Al iniciar, detener, habilitar o deshabilitar remotamente un raspado según sea necesario. Esto se muestra en el siguiente ejemplo. Al pasar la ID del raspado junto con el estado de raspado deseado al SetScrapeStatus método.

$client = new \GrabzIt\Scraper\GrabzItScrapeClient("Sign in to view your Application Key", "Sign in to view your Application Secret");
//Get all of our scrapes
$myScrapes = $client->GetScrapes();
if (empty($myScrapes))
{
    throw new Exception("You haven't created any scrapes yet! Create one here: https://grabz.it/scraper/scrape/");
}
//Start the first scrape
$client->SetScrapeStatus($myScrapes[0]->ID, "Start");
if (count($myScrapes[0]->Results) > 0)
{
    //re-send first scrape result if it exists
    $client->SendResult($myScrapes[0]->ID, $myScrapes[0]->Results[0]->ID);
}

Métodos y propiedades de GrabzItScrapeClient

A continuación se enumeran todos los métodos y propiedades de la clase GrabzItScrapeClient que se pueden usar para controlar los raspados web.