QueryList 4.0 簡潔、優雅、可擴展的PHP採集工具(爬蟲)

QueryList 簡介

QueryList是一套簡潔、優雅、可擴展的PHP採集工具(爬蟲)，基於phpQuery。

特性

• 擁有與jQuery徹底相同的CSS3 DOM選擇器
• 擁有與jQuery徹底相同的DOM操做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：模擬登錄、僞造瀏覽器、HTTP代理等意複雜的網絡請求
• 擁有亂碼解決方案
• 擁有強大的內容過濾功能，可以使用jQuey選擇器來過濾內容
• 擁有高度的模塊化設計，擴展性強
• 擁有富有表現力的API
• 擁有高質量文檔
• 擁有豐富的插件
• 擁有專業的問答社區和交流羣

經過插件能夠輕鬆實現諸如：

• 多線程採集
• 圖片本地化
• 模擬瀏覽器行爲，如：提交Form表單
• 網絡爬蟲
• .....

環境要求

• PHP >= 7.0

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.cc

安裝

經過Composer安裝:

composer require jaeger/querylist

使用

元素操做

• 採集「暱圖網」全部圖片地址

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

• 採集百度搜索結果

$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
});

• 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')->...

列表採集

採集百度搜索結果列表的標題和連接:

$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:

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
        )
        //...
)

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網絡操做

• 攜帶cookie登陸新浪微博

//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

• 使用Http代理

$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();

• 模擬登陸

// 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();

Form表單操做

模擬登錄GitHub

// 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!';
}

Bind功能擴展

自定義擴展一個myHttp方法:

$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:

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

插件使用

使用CURL多線程插件,多線程採集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!