• 注册
  • LightSNS官方 LightSNS官方 关注:1349 内容:880

    QueryList 可扩展的PHP采集工具(爬虫)

    10金币
  • 查看作者
  • 打赏作者
    • LightSNS官方
    • Lv.2

      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: 链接

      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

      $ql->find('#head')->append('<div>追加内容</div>')->find('div')->htmls();$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:

      $data = QueryList::get('http://www.baidu.com/s?wd=QueryList')// 设置采集规则->rules(['title'=>array('h3','text'),'link'=>array('h3>a','href')])->query()->getData();print_r($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 => 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 => http://www.baidu.com/link?url=zn0DXBnrvIF2ibRVW34KcRVFG1_bCdZvqvwIhUqiXaS)[2] => Array([title] => 介绍- QueryList指导文档 => http://www.baidu.com/link?url=pSypvMovqS4v2sWeQo5fDBJ4EoYhXYi0Lxx)//...)

      编码转换

      // 输出编码:UTF-8,输入编码:GB2312QueryList::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:{$r['info']['url']} \r\n";$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,]);

      GitHub: 链接 欢迎Star!

      请登录之后再进行评论

      登录
      LightSNS官方
    • 今日 0
    • 帖子 880
    • 关注 1349
    • 做任务
    • 实时动态
    • 偏好设置
    • 帖子间隔 侧栏位置: