QueryList 4.0 简洁、优雅、可扩展的PHP采集工具(爬虫)

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

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

.....

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

通过Composer安装:

composer require jaeger/querylist

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("
追加内容
")->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")->...

采集百度搜索结果列表的标题和链接:

$data = QueryList::get("http://www.baidu.com/s?wd=QueryList")
    // 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
        )
        //...
)

// 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();

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();

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!";
}

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){
    $html = file_get_contents($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);
});

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"]} 
";
    $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"]} 
";
    print_r($errorInfo["error"]);
})
->start([
    // 最大并发数
    "maxThread" => 10,
    // 错误重试次数
    "maxTry" => 3,
]);

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