QueryList
是一套簡潔、優雅、可擴展的PHP採集工具(爬蟲),基於phpQuery。php
經過插件能夠輕鬆實現諸如:css
若是你的PHP版本還停留在PHP5,或者不會使用Composer,你能夠選擇使用QueryList3,QueryList3支持php5.3以及手動安裝。 QueryList3 文檔:http://v3.querylist.cchtml
經過Composer安裝:git
composer require jaeger/querylist
QueryList::get('http://www.nipic.com')->find('img')->attrs('src');
$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(); //獲取搜索結果標題列表 $ql->find('h3>a')->attrs('href'); //獲取搜索結果連接列表 $ql->find('img')->src; //獲取第一張圖片的連接地址 $ql->find('img:eq(1)')->src; //獲取第二張圖片的連接地址 $ql->find('img')->eq(2)->src; //獲取第三張圖片的連接地址 // 遍歷全部圖片 $ql->find('img')->map(function($img){ echo $img->alt; //打印圖片的alt屬性 });
$ql->find('#head')->append('<div>追加內容</div>')->find('div')->htmls(); $ql->find('.two')->children('img')->attrs('alt'); //獲取class爲two元素下的全部img孩子節點 //遍歷class爲two元素下的全部孩子節點 $data = $ql->find('.two')->children()->map(function ($item){ //用is判斷節點類型 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')->...
採集百度搜索結果列表的標題和連接:github
$data = QueryList::get('http://www.baidu.com/s?wd=QueryList') // 設置採集規則 ->rules([ 'title'=>array('h3','text'), 'link'=>array('h3>a','href') ]) ->query()->getData(); print_r($data->all());
採集結果:json
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 - 博客園 [link] => http://www.baidu.com/link?url=zn0DXBnrvIF2ibRVW34KcRVFG1_bCdZvqvwIhUqiXaS ) [2] => Array ( [title] => 介紹- QueryList指導文檔 [link] => http://www.baidu.com/link?url=pSypvMovqS4v2sWeQo5fDBJ4EoYhXYi0Lxx ) //... )
// 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();
//採集新浪微博須要登陸才能訪問的頁面 $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: 個人首頁 微博-隨時隨地發現新鮮事
$urlParams = ['param1' => 'testvalue','params2' => 'somevalue']; $opts = [ // 設置http代理 'proxy' => 'http://222.141.11.17:8118', //設置超時時間,單位:秒 'timeout' => 30, // 僞造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();
// 用post登陸 $ql = QueryList::post('http://xxxx.com/login',[ 'username' => 'admin', 'password' => '123456' ])->get('http://xxx.com/admin'); //採集須要登陸才能訪問的頁面 $ql->get('http://xxx.com/admin/page'); //echo $ql->getHtml();
模擬登錄GitHub瀏覽器
// 獲取QueryList實例 $ql = QueryList::getInstance(); //獲取到登陸表單 $form = $ql->get('https://github.com/login')->find('form'); //填寫GitHub用戶名和密碼 $form->find('input[name=login]')->val('your github username or email'); $form->find('input[name=password]')->val('your github password'); //序列化表單數據 $fromData = $form->serializeArray(); $postData = []; foreach ($fromData as $item) { $postData[$item['name']] = $item['value']; } //提交登陸表單 $actionUrl = 'https://github.com'.$form->attr('action'); $ql->post($actionUrl,$postData); //判斷登陸是否成功 // echo $ql->getHtml(); $userName = $ql->find('.header-nav-current-user>.css-truncate-target')->text(); if($userName) { echo '登陸成功!歡迎你:'.$userName; }else{ echo '登陸失敗!'; }
自定義擴展一個myHttp
方法:cookie
$ql = QueryList::getInstance(); //綁定一個myHttp方法到QueryList對象 $ql->bind('myHttp',function ($url){ $html = file_get_contents($url); $this->setHtml($html); return $this; }); //而後就能夠經過註冊的名字來調用 $data = $ql->myHttp('https://toutiao.io')->find('h3 a')->texts(); print_r($data->all());
或者把實現體封裝到class,而後這樣綁定:網絡
$ql->bind('myHttp',function ($url){ return new MyHttp($this,$url); });
使用CURL多線程插件,多線程採集GitHub排行榜:多線程
$ql = QueryList::use(CurlMulti::class); $ql->curlMulti([ 'https://github.com/trending/php', 'https://github.com/trending/go', //.....more urls ]) // 每一個任務成功完成調用此回調 ->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()); }) // 每一個任務失敗回調 ->error(function ($errorInfo,CurlMulti $curl){ echo "Current url:{$errorInfo['info']['url']} \r\n"; 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!