QueryList 4.0 简洁优雅可扩展的PHP采集工具(爬虫)

Posted 2021-08-30 Jaeger

QueryList 简介

QueryList是一套简洁、优雅、可扩展的php采集工具(爬虫)，基于phpQuery。

特性

• 拥有与jQuery完全相同的CSS3 DOM选择器
• 拥有与jQuery完全相同的DOM操作API
• 拥有通用的列表采集方案
• 拥有强大的HTTP请求套件，轻松实现如：模拟登陆、伪造浏览器、HTTP代理等意复杂的网络请求
• 拥有乱码解决方案
• 拥有强大的内容过滤功能，可使用jQuey选择器来过滤内容
• 拥有高度的模块化设计，扩展性强
• 拥有富有表现力的API
• 拥有高质量文档
• 拥有丰富的插件
• 拥有专业的问答社区和交流群

通过插件可以轻松实现诸如：

• 多线程采集
• 图片本地化
• 模拟浏览器行为，如：提交Form表单
• 网络爬虫
• .....

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。 QueryList3 文档:http://v3.querylist.cc

安装

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

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

• 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){
    $html = file_get_contents($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,
]);

---

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