QueryList 简介
QueryList是一款PHP采集工具(爬虫),根据phpQuery基础研发的。比phpQuery多封装了cookie登录。
其他优劣势
继承phpQuery, 同样模仿jQuery
拥有通用的列表采集方案
封装了模拟登录、模拟浏览器动作、HTTP代理等复杂的网络请求
解决乱码问题
拥有内容过滤功能,可使用jQuey选择器来过滤内容
通过插件可以轻松实现诸如:
多线程采集
采集JavaScript动态渲染的页面 (PhantomJS/headless WebKit)
图片本地化
模拟浏览器行为,如:提交Form表单
网页爬虫
环境要求
PHP >= 7.0
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。
安装
国内的业务研发人员需要先配置国内镜像, 不然翻查composer垃圾堆可能卡死。
composer config -g repo.packagist composer https://packagist.phpcomposer.com
再通过Composer安装:
composer require jaeger/querylist
使用
元素操作
采集「昵图网」所有图片地址,首先你需要加载目录里的autoload.php才可以, 还需要声明使用命名空间。
require 'QueryList/vendor/autoload.php'; use QL\QueryList; QueryList::get('http://www.nipic.com')->find('img')->attrs('src');
采集百度搜索结果
$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 });
更多用法
$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(GuzzleHttp)
携带cookie登录新浪微博
//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
使用Http代理
$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();
模拟登录
// 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){ // $this 为当前的QueryList对象 $html = file_get_contents($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PhantomJS插件采集JavaScript动态渲染的页面:
// 安装时设置PhantomJS二进制文件路径 $ql = QueryList::use(PhantomJs::class,'/usr/local/bin/phantomjs'); // 采集今日头条手机版 $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, ]);
插件
[jae-jae/QueryList-PhantomJS](https://github.com/jae-jae/QueryList-PhantomJS): 使用PhantomJS采集JavaScript动态渲染的页面
[jae-jae/QueryList-CurlMulti](https://github.com/jae-jae/QueryList-CurlMulti) : Curl多线程采集
[jae-jae/QueryList-AbsoluteUrl](https://github.com/jae-jae/QueryList-AbsoluteUrl) : 转换URL相对路径到绝对路径
[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插件和基于QueryList的产品:[QueryList社区力量](https://github.com/jae-jae/QueryList-Community)