QueryList 4.0 簡潔、優雅、可擴充套件的PHP採集工具(爬蟲)

Jaeger發表於2019-02-16
套件PHP爬蟲

QueryList 簡介

QueryList是一套簡潔、優雅、可擴充套件的PHP採集工具(爬蟲)，基於phpQuery。

特性

  • 擁有與jQuery完全相同的CSS3 DOM選擇器
  • 擁有與jQuery完全相同的DOM操作API
  • 擁有通用的列表採集方案
  • 擁有強大的HTTP請求套件，輕鬆實現如：模擬登陸、偽造瀏覽器、HTTP代理等意複雜的網路請求
  • 擁有亂碼解決方案
  • 擁有強大的內容過濾功能，可使用jQuey選擇器來過濾內容
  • 擁有高度的模組化設計，擴充套件性強
  • 擁有富有表現力的API
  • 擁有高質量文件
  • 擁有豐富的外掛
  • 擁有專業的問答社群和交流群

通過外掛可以輕鬆實現諸如：

  • 多執行緒採集
  • 圖片本地化
  • 模擬瀏覽器行為，如：提交Form表單
  • 網路爬蟲
  • …..

環境要求

  • PHP >= 7.0

如果你的PHP版本還停留在PHP5，或者不會使用Composer,你可以選擇使用QueryList3,QueryList3支援php5.3以及手動安裝。 QueryList3 文件:http://v3.querylist.cc

安裝

通過Composer安裝:

composer require jaeger/querylist

使用

元素操作

  • 採集「暱圖網」所有圖片地址
QueryList::get(`http://www.nipic.com`)->find(`img`)->attrs(`src`);
  • 採集百度搜尋結果
$ql = QueryList::get(`http://www.baidu.com/s?wd=QueryList`);

$ql->find(`title`)->text(); // 獲取網站標題
$ql->find(`meta[name=keywords]`)->content; // 獲取網站頭部關鍵詞

$ql->find(`h3>a`)->texts(); //獲取搜尋結果標題列表
$ql->find(`h3>a`)->attrs(`href`); //獲取搜尋結果連結列表

$ql->find(`img`)->src; //獲取第一張圖片的連結地址
$ql->find(`img:eq(1)`)->src; //獲取第二張圖片的連結地址
$ql->find(`img`)->eq(2)->src; //獲取第三張圖片的連結地址
// 遍歷所有圖片
$ql->find(`img`)->map(function($img){
    echo $img->alt;  //列印圖片的alt屬性
});
  • 更多用法
$ql->find(`#head`)->append(`<div>追加內容</div>`)->find(`div`)->htmls();
$ql->find(`.two`)->children(`img`)->attrs(`alt`); //獲取class為two元素下的所有img孩子節點
//遍歷class為two元素下的所有孩子節點
$data = $ql->find(`.two`)->children()->map(function ($item){
    //用is判斷節點型別
    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`)->...

列表採集

採集百度搜尋結果列表的標題和連結:

$data = QueryList::get(`http://www.baidu.com/s?wd=QueryList`)
    // 設定採集規則
    ->rules([ 
        `title`=>array(`h3`,`text`),
        `link`=>array(`h3>a`,`href`)
    ])
    ->query()->getData();

print_r($data->all());

採集結果:

Array
(
    [0] => Array
        (
            [title] => QueryList|基於phpQuery的無比強大的PHP採集工具
            [link] => http://www.baidu.com/link?url=GU_YbDT2IHk4ns1tjG2I8_vjmH0SCJEAPuuZN
        )
    [1] => Array
        (
            [title] => PHP 用QueryList抓取網頁內容 - wb145230 - 部落格園
            [link] => http://www.baidu.com/link?url=zn0DXBnrvIF2ibRVW34KcRVFG1_bCdZvqvwIhUqiXaS
        )
    [2] => Array
        (
            [title] => 介紹- QueryList指導文件
            [link] => http://www.baidu.com/link?url=pSypvMovqS4v2sWeQo5fDBJ4EoYhXYi0Lxx
        )
        //...
)

編碼轉換

// 輸出編碼:UTF-8,輸入編碼:GB2312
QueryList::get(`https://top.etao.com`)->encoding(`UTF-8`,`GB2312`)->find(`a`)->texts();

// 輸出編碼:UTF-8,輸入編碼:自動識別
QueryList::get(`https://top.etao.com`)->encoding(`UTF-8`)->find(`a`)->texts();

HTTP網路操作

  • 攜帶cookie登入新浪微博
//採集新浪微博需要登入才能訪問的頁面
$ql = QueryList::get(`http://weibo.com`,`param1=testvalue & params2=somevalue`,[
    `headers` => [
        //填寫從瀏覽器獲取到的cookie
        `Cookie` => `SINAGLOBAL=546064; wb_cmtLike_2112031=1; wvr=6;....`
    ]
]);
//echo $ql->getHtml();
echo $ql->find(`title`)->text();
//輸出: 我的首頁 微博-隨時隨地發現新鮮事
  • 使用Http代理
$urlParams = [`param1` => `testvalue`,`params2` => `somevalue`];
$opts = [
    // 設定http代理
    `proxy` => `http://222.141.11.17:8118`,
    //設定超時時間，單位：秒
    `timeout` => 30,
     // 偽造http頭
    `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();
  • 模擬登入
// 用post登入
$ql = QueryList::post(`http://xxxx.com/login`,[
    `username` => `admin`,
    `password` => `123456`
])->get(`http://xxx.com/admin`);
//採集需要登入才能訪問的頁面
$ql->get(`http://xxx.com/admin/page`);
//echo $ql->getHtml();

Form表單操作

模擬登陸GitHub

// 獲取QueryList例項
$ql = QueryList::getInstance();
//獲取到登入表單
$form = $ql->get(`https://github.com/login`)->find(`form`);

//填寫GitHub使用者名稱和密碼
$form->find(`input[name=login]`)->val(`your github username or email`);
$form->find(`input[name=password]`)->val(`your github password`);

//序列化表單資料
$fromData = $form->serializeArray();
$postData = [];
foreach ($fromData as $item) {
    $postData[$item[`name`]] = $item[`value`];
}

//提交登入表單
$actionUrl = `https://github.com`.$form->attr(`action`);
$ql->post($actionUrl,$postData);
//判斷登入是否成功
// echo $ql->getHtml();
$userName = $ql->find(`.header-nav-current-user>.css-truncate-target`)->text();
if($userName)
{
    echo `登入成功!歡迎你:`.$userName;
}else{
    echo `登入失敗!`;
}

Bind功能擴充套件

自定義擴充套件一個myHttp方法:

$ql = QueryList::getInstance();

//繫結一個myHttp方法到QueryList物件
$ql->bind(`myHttp`,function ($url){
    $html = file_get_contents($url);
    $this->setHtml($html);
    return $this;
});

//然後就可以通過註冊的名字來呼叫
$data = $ql->myHttp(`https://toutiao.io`)->find(`h3 a`)->texts();
print_r($data->all());

或者把實現體封裝到class，然後這樣繫結:

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

外掛使用

使用CURL多執行緒外掛,多執行緒採集GitHub排行榜:

$ql = QueryList::use(CurlMulti::class);
$ql->curlMulti([
    `https://github.com/trending/php`,
    `https://github.com/trending/go`,
    //.....more urls
])
 // 每個任務成功完成呼叫此回撥
 ->success(function (QueryList $ql,CurlMulti $curl,$r){
    echo "Current url:{$r[`info`][`url`]} 
";
    $data = $ql->find(`h3 a`)->texts();
    print_r($data->all());
})
 // 每個任務失敗回撥
->error(function ($errorInfo,CurlMulti $curl){
    echo "Current url:{$errorInfo[`info`][`url`]} 
";
    print_r($errorInfo[`error`]);
})
->start([
    // 最大併發數
    `maxThread` => 10,
    // 錯誤重試次數
    `maxTry` => 3,
]);

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

相關文章