PHP采集框架QueryList, 网页爬虫, 网页抓取采集, PhantomJS, 模拟登录, 多线程采集

 

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
  • 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(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

查看更多的QueryList插件和基于QueryList的产品:QueryList社区力量

 

PHP 使用 QueryList 轻松采集 JavaScript 动态渲染页面

安装

使用 Composer 安装:

 

下载 PhantomJS 二进制文件

PhantomJS 官网:http://phantomjs.org ,下载对应平台的 PhantomJS 二进制文件。

 

插件 API

  • QueryList browser($url,$debug = false,$commandOpt = []):使用浏览器打开连接

使用

以采集「今日头条」手机版为例,「今日头条」手机版基于 React 框架,内容是纯动态渲染出来的。

下面演示QueryList的 PhantomJs 插件用法:

  • 安装插件
    use QL\QueryList;
    use QL\Ext\PhantomJs;
    
    $ql = QueryList::getInstance();
    // 安装时需要设置 PhantomJS 二进制文件路径
    $ql->use(PhantomJs::class,'/usr/local/bin/phantomjs');
    //or Custom function name
    $ql->use(PhantomJs::class,'/usr/local/bin/phantomjs','browser');

     

  • Example-1
    $html = $ql->browser('https://m.toutiao.com')->getHtml();
    print_r($html);

    获取所有 p 标签文本内容:

    $data = $ql->browser('https://m.toutiao.com')->find('p')->texts();
    print_r($data->all());

    输出:

    Array
    (
        [0] => 自拍模式开启!国庆假期我和国旗合个影
        [1] => 你旅途已开始 他们仍在自己的岗位上为你的假期保驾护航
        [2] => 喜极而泣,都教授终于回到地球了!
        //....
    )

    使用 http 代理:

    // 更多选项可以查看文档: http://phantomjs.org/api/command-line.html
    $ql->browser('https://m.toutiao.com',true,[
    	// 使用 http 代理
    	'--proxy' => '192.168.1.42:8080',
        '--proxy-type' => 'http'
    ])

     

  • Example-2

    自定义一个复杂的请求:

    $data = $ql->browser(function (\JonnyW\PhantomJs\Http\RequestInterface $r){
        $r->setMethod('GET');
        $r->setUrl('https://m.toutiao.com');
        $r->setTimeout(10000); // 10 seconds
        $r->setDelay(3); // 3 seconds
        return $r;
    })->find('p')->texts();
    
    print_r($data->all());

    开启 debug 模式,并从本地加载 cookie 文件:

    $data = $ql->browser(function (\JonnyW\PhantomJs\Http\RequestInterface $r){
        $r->setMethod('GET');
        $r->setUrl('https://m.toutiao.com');
        $r->setTimeout(10000); // 10 seconds
        $r->setDelay(3); // 3 seconds
        return $r;
    },true,[
        '--cookies-file' => '/path/to/cookies.txt'
    ])->rules([
        'title' => ['p','text'],
        'link' => ['a','href']
    ])->query()->getData();
    
    print_r($data->all());

     

关于安装 phantomjs, 如果您使用的是ubuntu,可以直接:

 sudo apt install phantomjs

 

实例:
use QL\QueryList;
use QL\Ext\PhantomJs;

$ql = QueryList::use(PhantomJs::class,'/usr/local/bin/phantomjs');
$data = $ql->browser(function (\JonnyW\PhantomJs\Http\RequestInterface $r)
{
    $r->setMethod('GET');
    $r->setUrl('https://www.toutiao.com/i6680494644293272071/');
    $r->setTimeout(10000); // 10 seconds
    $r->setDelay(3); // 3 seconds
    return $r;
})->rules([
    'title'   => array('h1.article-title','text'),
    'source'   => array('.article-sub','text'),
    'content'   => array('.article-content','html'),
])
    ->query()->getData();

print_r($data[0]);

 

或者:
use QL\QueryList;
use QL\Ext\PhantomJs;

$ql = QueryList::use(PhantomJs::class,'/usr/local/bin/phantomjs');
$data = $ql->browser('http://dy.163.com/v2/article/detail/ECQO2TPF05378F10.html')->getHtml();
print_r($data);

 

或者:

$ql = QueryList::get($url)->encoding('UTF-8','GB2312');
//print_r($ql);

$ql = QueryList::use(PhantomJs::class,'/usr/local/bin/phantomjs');
$data = $ql->browser('http://dy.163.com/v2/article/detail/ECQO2TPF05378F10.html');
//print_r($data->all());

use QL\QueryList;
use QL\Ext\PhantomJs;

$ql = QueryList::getInstance();
// Set PhantomJS bin path
$ql->use(PhantomJs::class,'/usr/local/bin/phantomjs');
//or Custom function name
$ql->use(PhantomJs::class,'/usr/local/bin/phantomjs','browser');

$html = $ql->browser('https://m.toutiao.com')->getHtml();
print_r($html);

$data = $ql->browser('https://m.toutiao.com')->find('p')->texts();
print_r($data->all());

// Command option see: http://phantomjs.org/api/command-line.html
$ql->browser('https://m.toutiao.com',true,[
	'--proxy' => '192.168.1.42:8080',
    '--proxy-type' => 'http'
])

 

也可以参考:

PHP采集框架QueryList, 网页爬虫, 网页抓取采集, PhantomJS, 模拟登录, 多线程采集

 

本文:PHP采集框架QueryList, 网页爬虫, 网页抓取采集, PhantomJS, 模拟登录, 多线程采集

Leave a Reply