简单、 灵活、强大的PHP采集工具–QueryList

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

本文目录

• 1. 特性
  • 1.1. 环境要求
  • 1.2. 通过Composer安装:
• 2. 使用
  • 2.1. 元素操作
  • 2.2. Form表单操作
  • 2.3. 插件

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
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
网络爬虫
…..

环境要求

PHP >= 7.0
如果知识兔你的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

$ql->find('#head')->append('追加内容')->find('div')->htmls();$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:GB2312QueryList::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 $this;});//然后知识兔就可以通过注册的名字来调用$data = $ql->myHttp('https://toutiao.io')->find('h3 a')->texts();print_r($data->all());

或者把实现体封装到class，然后知识兔这样绑定:

$ql->bind('myHttp',function ($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: 使用PhantomJS采集JavaScript动态渲染的页面
jae-jae/QueryList-CurlMulti : Curl多线程采集
jae-jae/QueryList-AbsoluteUrl : 转换URL相对路径到绝对路径
jae-jae/QueryList-Rule-Google : 谷歌搜索引擎
jae-jae/QueryList-Rule-Baidu : 百度搜索引擎

下载仅供下载体验和测试学习，不得商用和正当使用。

[ppwp passwords=”zhishitu.cn”]

下载体验

应版权要求，禁止分享，敬请谅解，有问题务必找客服哈。

如何获取解压密码？

有问题找客服哈，并领取学习福利！

[/ppwp]

点击下载