QueryList 4.0 简洁、优雅的 PHP 采集工具

2017-09-29 20:18:26 +08:00
 Jaeger

QueryList 简介

QueryList是一套简洁、优雅的 PHP 采集工具,基于 phpQuery。

特性

通过插件可以轻松实现诸如:

环境要求

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

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

//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
$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();
// 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 地址:https://github.com/jae-jae/QueryList 欢迎 star!

3867 次点击
所在节点    PHP
15 条回复
isCyan
2017-09-29 20:39:56 +08:00
正需要这种工具!回去试一下
torbrowserbridge
2017-09-29 20:41:21 +08:00
今天一个了 pr 被楼主给我 closed 掉了
mingyun
2017-09-29 23:34:10 +08:00
果然和 jquery 很像
hahasong
2017-09-29 23:47:26 +08:00
抓取网页时支持 headless 模式吗
lsido
2017-09-30 01:03:41 +08:00
好东西
qa2080639
2017-09-30 09:01:25 +08:00
star 以后也许会用到
Jochen
2017-09-30 09:42:08 +08:00
start!
victoryss
2017-09-30 11:07:25 +08:00
已 star
cappuccinos
2017-09-30 12:35:35 +08:00
@Jochen 苹果 app star 后 个人中心里看不到记录啊?你有遇到过么
Jaeger
2017-09-30 13:11:17 +08:00
@torbrowserbridge #2 不好意思 ,主要是你 PR 的是 3.0 版本,现已更新到 4.0 版本了,欢迎为 QueryList 4.0 贡献代码!
Jaeger
2017-09-30 13:12:49 +08:00
@hahasong #4 QueryList 4.0 采用高度模块化的设计,极易扩展,所以利用扩展可以无所不能!
torbrowserbridge
2017-09-30 14:34:37 +08:00
@Jaeger 嗯,看到了。之前的确用 3.2.1 脚本卡死好几天。现在貌似全部重写了。
chnyang
2017-09-30 16:08:50 +08:00
请问是文档也同步更新到 4.0 了吗?
Jaeger
2017-09-30 17:15:53 +08:00
@chnyang #13 更新了
aboutboy
2019-07-10 15:58:19 +08:00
有些网站是 gbk 编码的,必须要 removeheader 才能正确转码到 utf-8,但是我需要采集的信息在头部,这个怎么解决呢?

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/394689

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX