投稿
PHP/JAVA

QueryList使用說明

字號+ 編輯: 种花家 修訂: 科学鼠辈 來源: Jaeger 2023-09-11 我要說兩句(1)

根據官方的說明改編。

QueryList  簡介

QueryList是一款PHP採集工具(爬蟲)，根據phpQuery基礎研發的。比phpQuery多封裝了cookie登錄。

其他優劣勢

  • 繼承phpQuery, 同樣模倣jQuery

  • 擁有通用的列表採集方案

  • 封裝了模擬登錄、模擬瀏覽器動作、HTTP代理等複雜的網路請求

  • 解決亂碼問題

  • 擁有内容過濾功能，可使用jQuey選擇器來過濾内容


通過插件可以輕松實現諸如：

  • 多線程採集

  • 採集JavaScript動態渲染的頁面 (PhantomJS/headless WebKit)

  • 圖片本地化

  • 模擬瀏覽器行爲，如：提交Form表單

  • 網頁爬蟲

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支持php5.3以及手動安裝。

安裝

國内的業務研發人員需要先配置國内鏡像, 不然翻查composer垃圾堆可能卡死。

composer config -g repo.packagist composer https://packagist.phpcomposer.com

再通過Composer安裝:

composer require jaeger/querylist

使用

元素操作

採集「昵圖網」所有圖片地址，首先你需要加載目錄裡的autoload.php才可以, 還需要聲明使用命名空間。

require 'QueryList/vendor/autoload.php';
use QL\QueryList;
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'); //獲取搜索結果鏈接列表
$ql->find('img')->src; //獲取第一張圖片的鏈接地址
$ql->find('img:eq(1)')->src; //獲取第二張圖片的鏈接地址
$ql->find('img')->eq(2)->src; //獲取第三張圖片的鏈接地址
// 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>追加内容</div>')->find('div')->htmls();
$ql->find('.two')->children('img')->attrs('alt'); //獲取class爲two元素下的所有img孩子節點
//遍歷class爲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鏈接:

$data = QueryList::get('http://www.baidu.com/s?wd=QueryList')
// 設置採集槼則
    ->rules([ 
    'title'=>array('h3','text'),
    'link'=>array('h3>a','href')
])
->query()->getData();
print_r($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抓取網頁内容 - wb145230 - 部落格園
            [link] => http://www.baidu.com/link?url=zn0DXBnrvIF2ibRVW34KcRVFG1_bCdZvqvwIhUqiXaS
        )
    [2] => Array
        (
            [title] => 介紹- QueryList指導文档
            [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（GuzzleHttp）

攜帶cookie登錄新浪微博

//採集新浪微博需要登錄才能訪問的頁面
$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 = [
// 設置http代理
    'proxy' => 'http://222.141.11.17:8118',
    //設置超時時間，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();

模擬登錄

// 用post登錄
$ql = QueryList::post('http://xxxx.com/login',[
    'username' => 'admin',
    'password' => '123456'
])->get('http://xxx.com/admin');
// 採集需要登錄才能訪問的頁面
$ql->get('http://xxx.com/admin/page');
// echo $ql->getHtml();

Form表單操作

模擬登陸GitHub

// 獲取QueryList實例
$ql = QueryList::getInstance();
// 獲取到登錄表單
$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'];
}
// 提交登錄表單
$actionUrl = 'https://github.com'.$form->attr('action');
$ql->post($actionUrl,$postData);
// 判斷登錄是否成功
// echo $ql->getHtml();
$userName = $ql->find('.header-nav-current-user>.css-truncate-target')->text();
if($userName)
{
    echo '登錄成功!歡迎你:'.$userName;
}else{
    echo '登錄失敗!';
}

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){
    // $this 爲當前的QueryList對象
    $html = file_get_contents($url);
    $this->setHtml($html);
    return $this;
});
//然後就可以通過注冊的名字來調用
$data = $ql->myHttp('https://toutiao.io')->find('h3 a')->texts();
print_r($data->all());

或者把實現體封裝到class，然後這樣綁定:

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

插件使用

使用PhantomJS插件採集JavaScript動態渲染的頁面:

// 安裝時設置PhantomJS二進制文档路徑 
$ql = QueryList::use(PhantomJs::class,'/usr/local/bin/phantomjs');
// 採集今日頭條手機版
$data = $ql->browser('https://m.toutiao.com')->find('p')->texts();
print_r($data->all());
// 使用HTTP代理
$ql->browser('https://m.toutiao.com',false,[
'--proxy' => '192.168.1.42:8080',
    '--proxy-type' => 'http'
])

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([
// 最大並發數
    'maxThread' => 10,
    // 錯誤重試次數
    'maxTry' => 3,
]);

插件

  • [jae-jae/QueryList-PhantomJS](https://github.com/jae-jae/QueryList-PhantomJS): 使用PhantomJS採集JavaScript動態渲染的頁面

  • [jae-jae/QueryList-CurlMulti](https://github.com/jae-jae/QueryList-CurlMulti) : Curl多線程採集

  • [jae-jae/QueryList-AbsoluteUrl](https://github.com/jae-jae/QueryList-AbsoluteUrl) : 轉換URL相對路徑到絕對路徑

  • [jae-jae/QueryList-Rule-Google](https://github.com/jae-jae/QueryList-Rule-Google) : 谷歌搜索引擎

  • [jae-jae/QueryList-Rule-Baidu](https://github.com/jae-jae/QueryList-Rule-Baidu) : 百度搜索引擎

查看更多的QueryList插件和基於QueryList的産品:[QueryList社區力量](https://github.com/jae-jae/QueryList-Community)

各位看官！本文如有BUG或錯別字，您可以在評論區挑出來。

閲完此文,您的感想如何?

  • 有用

    1

  • 沒用

    0

  • 開心

    0

  • 憤怒

    0

  • 可憐

    0

1.如文章侵犯了您的版權,請發郵件通知本站,該文章將在24小時内刪除;
2.本站標注原創的文章，轉發時煩請注明來源;
3.交流群: 2702237 13835667

相關課文
  • mac開發接入微信公衆號接口返回報錯 cURL error 56: SSLRead() return error -9806

    mac開發接入微信公衆號接口返回報錯 cURL error 56: SSLRead() return error -9806

  • PHP的換行符是什麽

    PHP的換行符是什麽

  • pecl安裝程序時報錯Array and string offset access syntax with curly braces is no longer supported

    pecl安裝程序時報錯Array and string offset access syntax with curly braces is no longer supported

  • 由於商家傳入的H5交易參數有誤,該筆交易暫時無法完成,請聯繫商家解決

    由於商家傳入的H5交易參數有誤,該筆交易暫時無法完成,請聯繫商家解決

我要說說
網上賓友點評
1 樓 IP 111.192.***.181 的嘉賓 说道 : 很久前
hao
QueryList使用說明
課文推薦
排行熱門
嚴禁網站鏡像，否則追究法律責任 京ICP备19036095号 備案圖標 辽公网安备 21092202000001号
簡中