获取网页快照并生成缩略图可分两步进行: 1、获取网页快照 2、生成缩略图 获取网页快照 这里我们用 phantomjs 来实现。关于 phantomjs 的详细用法可参考官方网站。 …
April 19, 2019
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($errorInfo['error']); }) ->start([ // 最大并发数 'maxThread' => 10, // 错误重试次数 'maxTry' => 3, ]);
插件
- jae-jae/QueryList-PhantomJS: 使用PhantomJS采集JavaScript动态渲染的页面
- jae-jae/QueryList-CurlMulti : Curl多线程采集
- jae-jae/QueryList-AbsoluteUrl : 转换URL相对路径到绝对路径
- jae-jae/QueryList-Rule-Google : 谷歌搜索引擎
- jae-jae/QueryList-Rule-Baidu : 百度搜索引擎
查看更多的QueryList插件和基于QueryList的产品:QueryList社区力量
PHP 使用 QueryList 轻松采集 JavaScript 动态渲染页面
安装
使用 Composer 安装:
- 安装 QueryList
composer require jaeger/querylist
- 安装 PhantomJS 插件
composer require jaeger/querylist-phantomjs
下载 PhantomJS 二进制文件
PhantomJS 官网:http://phantomjs.org ,下载对应平台的 PhantomJS 二进制文件。
插件 API
- QueryList browser($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