资讯专栏INFORMATION COLUMN

QueryList 4.0 简洁、优雅、可扩展的PHP采集工具(爬虫)

Astrian / 2355人阅读

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:

composer require jaeger/querylist
使用 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("
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")->...
列表采集

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
        )
        //...
)
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

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){
    $html = file_get_contents($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!

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/25950.html

相关文章

  • Laravel 框架中常用 PHP 语法

    摘要:更多参考自动加载机制命名空间命名冲突在团队协作引入第三方依赖代码时,往往可能会出现类函数和接口重名的情况。多个有同名函数时,引入将发生命名冲突,使用来指明使用哪个的函数。 原文:wuYin/blog,转载注明来源即可。 前言 Laravel 框架因为其组件化的设计并恰当使用设计模式,使得框架本身简洁易扩展。区别于 ThinkPHP 那种整合式功能的框架(功能要么全用要么全不用),Lar...

    khlbat 评论0 收藏0
  • 那些 PHP 开发者能用得上工具

    PHP 函数的 JavaScript 实现 module.exports = function array_sum (array) { // eslint-disable-line camelcase // discuss at: http://locutus.io/php/array_sum/ // original by: Kevin van Zonneveld (http://kv...

    JowayYoung 评论0 收藏0
  • PHP使用QueryList采集微信文章页

    摘要:采集目标微信文章页标题内容发布时间作者等信息。安装微信采集代码采集规则可以很轻松的就写出采集代码出来,来看看运行结果和预期一样正确采集到了内容,但是内容乱码了。 采集目标 微信文章页标题、内容、发布时间、作者等信息。 采集示例URL https://mp.weixin.qq.com/s?src=11×tamp=1523173327&ver=803&signature=6PCx...

    AdolphLWQ 评论0 收藏0
  • laravel package收集

    摘要:查找保存下载用搭建自己的缓存仓库权限管理的好选择基于封装的后台管理系统,支持手机和端访问支付宝风格的验证器后台系统微信接口的部署脚本开发的博客系统百度推送自动记录用户行为扩展一个项目管理系统根据生成对应导航的状态 1.debug https://github.com/barryvdh/l... showImg(https://segmentfault.com/img/bVmhWL); ...

    psychola 评论0 收藏0
  • php使用QueryList轻松采集JavaScript动态渲染页面

    摘要:使用的方式来做采集,拥有丰富的插件。下面来演示使用插件抓取动态创建的页面内容。插件使用浏览器打开连接使用以采集今日头条手机版为例,今日头条手机版基于框架,内容是纯动态渲染出来的。 QueryList使用jQuery的方式来做采集,拥有丰富的插件。 下面来演示QueryList使用PhantomJS插件抓取JS动态创建的页面内容。 安装 使用Composer安装: 安装QueryList...

    Jason 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<