查看: 1569|回复: 0

[PHP实例] QueryList 4.0 简洁、优雅、可扩展的PHP采集工具(爬虫)

发表于 2017-10-13 08:00:03
句号论坛
QueryList 简介

QueryList是一套简洁、优雅、可扩展的PHP采集工具(爬虫),基于phpQuery。

特性 拥有与jQuery完全相同的CSS3 DOM选择器 拥有与jQuery完全相同的DOM操作API 拥有通用的列表采集方案 拥有强大的HTTP请求套件,轻松实现如:模拟登陆、伪造浏览器、HTTP代理等意复杂的网络请求 拥有乱码解决方案 拥有强大的内容过滤功能,可使用jQuey选择器来过滤内容 拥有高度的模块化设计,扩展性强 拥有富有表现力的API 拥有高质量文档 拥有丰富的插件 拥有专业的问答社区和交流群

通过插件可以轻松实现诸如:

多线程采集 图片本地化 模拟浏览器行为,如:提交Form表单 网络爬虫 ..... 环境要求 PHP >= 7.0

如果你的PHP版本还停留在PHP5,或者不会使用Composer,你可以选择使用QueryList3,QueryList3支持php5.3以及手动安装。 QueryList3 文档:http://v3.querylist.cc

安装

通过Composer安装:

  1. composer require jaeger/querylist
复制代码
使用 元素操作 采集「昵图网」所有图片地址
  1. QueryList::get('http://www.nipic.com')->find('img')->attrs('src');
复制代码
采集百度搜索结果
  1. $ql = QueryList::get('http://www.baidu.com/s?wd=QueryList');
  2. $ql->find('title')->text(); // 获取网站标题
  3. $ql->find('meta[name=keywords]')->content; // 获取网站头部关键词
  4. $ql->find('h3>a')->texts(); //获取搜索结果标题列表
  5. $ql->find('h3>a')->attrs('href'); //获取搜索结果链接列表
  6. $ql->find('img')->src; //获取第一张图片的链接地址
  7. $ql->find('img:eq(1)')->src; //获取第二张图片的链接地址
  8. $ql->find('img')->eq(2)->src; //获取第三张图片的链接地址
  9. // 遍历所有图片
  10. $ql->find('img')->map(function($img){
  11. echo $img->alt; //打印图片的alt属性
  12. });
复制代码
更多用法
  1. $ql->find('#head')->append('<div>追加内容</div>')->find('div')->htmls();
  2. $ql->find('.two')->children('img')->attrs('alt'); //获取class为two元素下的所有img孩子节点
  3. //遍历class为two元素下的所有孩子节点
  4. $data = $ql->find('.two')->children()->map(function ($item){
  5. //用is判断节点类型
  6. if($item->is('a')){
  7. return $item->text();
  8. }elseif($item->is('img'))
  9. {
  10. return $item->alt;
  11. }
  12. });
  13. $ql->find('a')->attr('href', 'newVal')->removeClass('className')->html('newHtml')->...
  14. $ql->find('div > p')->add('div > ul')->filter(':has(a)')->find('p:first')->nextAll()->andSelf()->...
  15. $ql->find('div.old')->replaceWith( $ql->find('div.new')->clone())->appendTo('.trash')->prepend('Deleted')->...
复制代码
列表采集

采集百度搜索结果列表的标题和链接:

  1. $data = QueryList::get('http://www.baidu.com/s?wd=QueryList')
  2. // 设置采集规则
  3. ->rules([
  4. 'title'=>array('h3','text'),
  5. 'link'=>array('h3>a','href')
  6. ])
  7. ->query()->getData();
  8. print_r($data->all());
复制代码

采集结果:

  1. Array
  2. (
  3. [0] => Array
  4. (
  5. [title] => QueryList|基于phpQuery的无比强大的PHP采集工具
  6. [link] => http://www.baidu.com/link?url=GU_YbDT2IHk4ns1tjG2I8_vjmH0SCJEAPuuZN
  7. )
  8. [1] => Array
  9. (
  10. [title] => PHP 用QueryList抓取网页内容 - wb145230 - 博客园
  11. [link] => http://www.baidu.com/link?url=zn0DXBnrvIF2ibRVW34KcRVFG1_bCdZvqvwIhUqiXaS
  12. )
  13. [2] => Array
  14. (
  15. [title] => 介绍- QueryList指导文档
  16. [link] => http://www.baidu.com/link?url=pSypvMovqS4v2sWeQo5fDBJ4EoYhXYi0Lxx
  17. )
  18. //...
  19. )
复制代码
编码转换
  1. // 输出编码:UTF-8,输入编码:GB2312
  2. QueryList::get('https://top.etao.com')->encoding('UTF-8','GB2312')->find('a')->texts();
  3. // 输出编码:UTF-8,输入编码:自动识别
  4. QueryList::get('https://top.etao.com')->encoding('UTF-8')->find('a')->texts();
复制代码
HTTP网络操作 携带cookie登录新浪微博
  1. //采集新浪微博需要登录才能访问的页面
  2. $ql = QueryList::get('http://weibo.com','param1=testvalue & params2=somevalue',[
  3. 'headers' => [
  4. //填写从浏览器获取到的cookie
  5. 'Cookie' => 'SINAGLOBAL=546064; wb_cmtLike_2112031=1; wvr=6;....'
  6. ]
  7. ]);
  8. //echo $ql->getHtml();
  9. echo $ql->find('title')->text();
  10. //输出: 我的首页 微博-随时随地发现新鲜事
复制代码
使用Http代理
  1. $urlParams = ['param1' => 'testvalue','params2' => 'somevalue'];
  2. $opts = [
  3. // 设置http代理
  4. 'proxy' => 'http://222.141.11.17:8118',
  5. //设置超时时间,单位:秒
  6. 'timeout' => 30,
  7. // 伪造http头
  8. 'headers' => [
  9. 'Referer' => 'https://querylist.cc/',
  10. 'User-Agent' => 'testing/1.0',
  11. 'Accept' => 'application/json',
  12. 'X-Foo' => ['Bar', 'Baz'],
  13. 'Cookie' => 'abc=111;xxx=222'
  14. ]
  15. ];
  16. $ql->get('http://httpbin.org/get',$urlParams,$opts);
  17. // echo $ql->getHtml();
复制代码
模拟登录
  1. // 用post登录
  2. $ql = QueryList::post('http://xxxx.com/login',[
  3. 'username' => 'admin',
  4. 'password' => '123456'
  5. ])->get('http://xxx.com/admin');
  6. //采集需要登录才能访问的页面
  7. $ql->get('http://xxx.com/admin/page');
  8. //echo $ql->getHtml();
复制代码
Form表单操作

模拟登陆GitHub

  1. // 获取QueryList实例
  2. $ql = QueryList::getInstance();
  3. //获取到登录表单
  4. $form = $ql->get('https://github.com/login')->find('form');
  5. //填写GitHub用户名和密码
  6. $form->find('input[name=login]')->val('your github username or email');
  7. $form->find('input[name=password]')->val('your github password');
  8. //序列化表单数据
  9. $fromData = $form->serializeArray();
  10. $postData = [];
  11. foreach ($fromData as $item) {
  12. $postData[$item['name']] = $item['value'];
  13. }
  14. //提交登录表单
  15. $actionUrl = 'https://github.com'.$form->attr('action');
  16. $ql->post($actionUrl,$postData);
  17. //判断登录是否成功
  18. // echo $ql->getHtml();
  19. $userName = $ql->find('.header-nav-current-user>.css-truncate-target')->text();
  20. if($userName)
  21. {
  22. echo '登录成功!欢迎你:'.$userName;
  23. }else{
  24. echo '登录失败!';
  25. }
复制代码
Bind功能扩展

自定义扩展一个myHttp方法:

  1. $ql = QueryList::getInstance();
  2. //绑定一个myHttp方法到QueryList对象
  3. $ql->bind('myHttp',function ($url){
  4. $html = file_get_contents($url);
  5. $this->setHtml($html);
  6. return $this;
  7. });
  8. //然后就可以通过注册的名字来调用
  9. $data = $ql->myHttp('https://toutiao.io')->find('h3 a')->texts();
  10. print_r($data->all());
复制代码

或者把实现体封装到class,然后这样绑定:

  1. $ql->bind('myHttp',function ($url){
  2. return new MyHttp($this,$url);
  3. });
复制代码
插件使用

使用CURL多线程插件,多线程采集GitHub排行榜:

  1. $ql = QueryList::use(CurlMulti::class);
  2. $ql->curlMulti([
  3. 'https://github.com/trending/php',
  4. 'https://github.com/trending/go',
  5. //.....more urls
  6. ])
  7. // 每个任务成功完成调用此回调
  8. ->success(function (QueryList $ql,CurlMulti $curl,$r){
  9. echo "Current url:{$r['info']['url']} \r\n";
  10. $data = $ql->find('h3 a')->texts();
  11. print_r($data->all());
  12. })
  13. // 每个任务失败回调
  14. ->error(function ($errorInfo,CurlMulti $curl){
  15. echo "Current url:{$errorInfo['info']['url']} \r\n";
  16. print_r($errorInfo['error']);
  17. })
  18. ->start([
  19. // 最大并发数
  20. 'maxThread' => 10,
  21. // 错误重试次数
  22. 'maxTry' => 3,
  23. ]);
复制代码

GitHub:https://github.com/jae-jae/QueryList 欢迎Star!



太阳http代理AD
回复

使用道具 举报

关闭

站长推荐上一条 /1 下一条