PHP采集插件QueryList

21-04-07 slbcun 506℃ 0

一：需求背景

作为一个开发人员，在日常开发中或多或少多会遇到采集的需求，需要采集某个网站的数据、文章等等，同时在还需要对采集到内容进行解析，分类等操作。在解析分类的过程中，大多数PHP使用正则的方式来分析爬到的数据，增加了难度的同时效率也没有得到提升，用QueryList则可以很简单的结果问题。

二：什么是QueryList？

QueryList是一个基于phpQuery的开源项目，可以让PHPer在采集信息时对内容进行一个类似JQuery的DOM操作，十分简洁方便，贴合平常开发的习惯。

三：下载安装

(1) 环境要求，安装方式有两种，选中以下任意一种都可以。

PHP >= 5.3

(2) 安装方式-使用composer安装

composer require jaeger/querylist:V3.2.1

或者在项目的composer.json文件中加入以下配置，之后composer update

"require" : {

"jaeger/querylist": "^3.2"

}

安装完成之后在项目中，直接引入vendor/autoload.php文件，即可直接开始使用

(3) 测试

STR;

        $rules = array(

            //采集id为one这个元素里面的纯文本内容

            'text' => array('#one','text'),

            //采集class为two下面的超链接的链接

            'link' => array('.two>a','href'),

            //采集class为two下面的第二张图片的链接

            'img' => array('.two>img:eq(1)','src'),

            //采集span标签中的HTML内容

            'other' => array('span','html')

        );

        $data = QueryList::Query($html, $rules)->data;

        var_dump($data);

(4) 安装方式-手动安装

前往Github下载代码https://github.com/jae-jae/QueryL，获取其中的QueryList.php和phpQuery.php这两个文件放到项目中即可

(5) 测试

require 'phpQuery.php';

require 'QueryList.php';

use QL\QueryList;

$hj = QueryList::Query('https://php.cn/',array("url"=>array('.unit h1 a','href')));

$data = $hj->getData(function($x){

    return $x['url'];

});

print_r($data);

(6)使用举例

元素操作

采集「昵图网」所有图片地址

QueryList::get('http://www.nipic.com')->find('img')->attrs('src');

采集百度搜索结果

$ql = QueryList::get('http://www.baidu.com/s?wd=QueryList'); 

$ql->find('title')->text(); // 获取网站标题
$ql->find('meta[name=keywords]')->content; // 获取网站头部关键词

$ql->find('h3>a')->texts(); //获取搜索结果标题列表
$ql->find('h3>a')->attrs('href'); //获取搜索结果链接列表

$ql->find('img')->src; //获取第一张图片的链接地址
$ql->find('img:eq(1)')->src; //获取第二张图片的链接地址
$ql->find('img')->eq(2)->src; //获取第三张图片的链接地址

// 遍历所有图片
$ql->find('img')->map(function($img){
	echo $img->alt;  //打印图片的alt属性
});

更多用法

$ql->find('#head')->append('<div>追加内容</div>')->find('div')->htmls();
$ql->find('.two')->children('img')->attrs('alt'); //获取class为two元素下的所有img孩子节点
//遍历class为two元素下的所有孩子节点
$data = $ql->find('.two')->children()->map(function ($item){
    //用is判断节点类型    
    if($item->is('a')){    
        return $item->text();    
    }elseif($item->is('img')){    
        return $item->alt;    
    }});
    
    $ql->find('a')->attr('href', 'newVal')->removeClass('className')->html('newHtml')->...
    $ql->find('div > p')->add('div > ul')->filter(':has(a)')->find('p:first')->nextAll()->andSelf()->...
    $ql->find('div.old')->replaceWith( $ql->find('div.new')->clone())->appendTo('.trash')->prepend('Deleted')->...

列表采集

采集百度搜索结果列表的标题和链接:

$data = QueryList::get(' 
	// 设置采集规则    
	->rules([ 	 
	   'title'=>array('h3','text'),	    
	   'link'=>array('h3>a','href')	
	])	
	->query()->getData();

	print_r($data->all());

采集结果:

Array(    
    [0] => Array(        
        [title] => QueryList|基于phpQuery的无比强大的PHP采集工具            
        [link] => http://www.baidu.com/link?url=GU_YbDT2IHk4ns1tjG2I8_vjmH0SCJEAPuuZN        
    )    
    [1] => Array(      
        [title] => PHP 用QueryList抓取网页内容 - wb145230 - 博客园            
        [link] => http://www.baidu.com/link?url=zn0DXBnrvIF2ibRVW34KcRVFG1_bCdZvqvwIhUqiXaS        
    )    
    [2] => Array(      
        [title] => 介绍- QueryList指导文档            
        [link] => http://www.baidu.com/link?url=pSypvMovqS4v2sWeQo5fDBJ4EoYhXYi0Lxx        
    )        
    //...
)

编码转换

// 输出编码:UTF-8,输入编码:GB2312
QueryList::get('https://top.etao.com')->encoding('UTF-8','GB2312')->find('a')->texts(); 

// 输出编码:UTF-8,输入编码:自动识别
QueryList::get('https://top.etao.com')->encoding('UTF-8')->find('a')->texts();

HTTP网络操作（GuzzleHttp）

携带cookie登录新浪微博

//采集新浪微博需要登录才能访问的页面
$ql = QueryList::get('http://weibo.com','param1=testvalue & params2=somevalue',[
    'headers' => [    
        //填写从浏览器获取到的cookie        
        'Cookie' => 'SINAGLOBAL=546064; wb_cmtLike_2112031=1; wvr=6;....'    
    ]
]);
//echo $ql->getHtml();
echo $ql->find('title')->text();
//输出: 我的首页 微博-随时随地发现新鲜事

使用Http代理

$urlParams = ['param1' => 'testvalue','params2' => 'somevalue'];
$opts = [
	// 设置http代理    
	'proxy' => 'http://222.141.11.17:8118',    
	//设置超时时间，单位：秒    
	'timeout' => 30,     
	// 伪造http头    
	'headers' => [     
	   'Referer' => 'https://querylist.cc/',        
	   'User-Agent' => 'testing/1.0',        
	   'Accept'     => 'application/json',        
	   'X-Foo'      => ['Bar', 'Baz'],        
	   'Cookie'    => 'abc=111;xxx=222'    
	]
];
$ql->get('http://httpbin.org/get',$urlParams,$opts);
// echo $ql->getHtml();

模拟登录

// 用post登录
$ql = QueryList::post('http://xxxx.com/login',[ 
   'username' => 'admin',    
   'password' => '123456'
])->get('http://xxx.com/admin');
//采集需要登录才能访问的页面
$ql->get('http://xxx.com/admin/page');
//echo $ql->getHtml();

Form表单操作

模拟登陆GitHub

// 获取QueryList实例
$ql = QueryList::getInstance();
//获取到登录表单
$form = $ql->get('https://github.com/login')->find('form'); 

//填写GitHub用户名和密码
$form->find('input[name=login]')->val('your github username or email');
$form->find('input[name=password]')->val('your github password');

//序列化表单数据
$fromData = $form->serializeArray();
$postData = [];
foreach ($fromData as $item) {
    $postData[$item['name']] = $item['value'];
}

//提交登录表单
$actionUrl = 'https://github.com'.$form->attr('action');
$ql->post($actionUrl,$postData);
//判断登录是否成功
// echo $ql->getHtml();
$userName = $ql->find('.header-nav-current-user>.css-truncate-target')->text();
if($userName){
    echo '登录成功!欢迎你:'.$userName;
}else{
    echo '登录失败!';
}

Bind功能扩展

自定义扩展一个myHttp方法:

$ql = QueryList::getInstance();//绑定一个myHttp方法到QueryList对象、

$ql->bind('myHttp',function ($url){
    // $this 为当前的QueryList对象    
    $html = file_get_contents($url);    
    $this->setHtml($html);    
    return $this;
});

//然后就可以通过注册的名字来调用
$data = $ql->myHttp('https://toutiao.io')->find('h3 a')->texts();
print_r($data->all());

或者把实现体封装到class，然后这样绑定:

$ql->bind('myHttp',function ($url){
    return new MyHttp($this,$url);
});

插件使用

使用PhantomJS插件采集JavaScript动态渲染的页面:

// 安装时设置PhantomJS二进制文件路径 
$ql = QueryList::use(PhantomJs::class,'/usr/local/bin/phantomjs');

// 采集今日头条手机版
$data = $ql->browser(' 
print_r($data->all());

// 使用HTTP代理
$ql->browser('https://m.toutiao.com',false,[
	'--proxy' => '192.168.1.42:8080',    
	'--proxy-type' => 'http'
])

使用CURL多线程插件,多线程采集GitHub排行榜:

$ql = QueryList::use(CurlMulti::class);
$ql->curlMulti([
    'https://github.com/trending/php',    
    'https://github.com/trending/go',    
    //.....more urls
]) 
// 每个任务成功完成调用此回调 
->success(function (QueryList $ql,CurlMulti $curl,$r){
    echo "Current url:{$r['info']['url']} \r\n";    
    $data = $ql->find('h3 a')->texts();    
    print_r($data->all());
}) 
// 每个任务失败回调
->error(function ($errorInfo,CurlMulti $curl){
    echo "Current url:{$errorInfo['info']['url']} \r\n";    
    print_r($errorInfo['error']);})->start([	
    // 最大并发数    
    'maxThread' => 10,    
    // 错误重试次数    
    'maxTry' => 3,
]);