QueryList是一個(gè)基于phpQuery的簡(jiǎn)潔、優(yōu)雅的PHP采集工具，具有高擴(kuò)展性。

特性

1、擁有與jQuery完全相同的CSS3 DOM選擇器

2、擁有與jQuery完全相同的DOM操作API

3、擁有通用的列表采集方案

4、擁有強(qiáng)大的HTTP請(qǐng)求套件，輕松實(shí)現(xiàn)如：模擬登陸、偽造瀏覽器、HTTP代理等意復(fù)雜的網(wǎng)絡(luò)請(qǐng)求

5、擁有亂碼解決方案

6、擁有強(qiáng)大的內(nèi)容過(guò)濾功能，可使用jQuey選擇器來(lái)過(guò)濾內(nèi)容

7、擁有高度的模塊化設(shè)計(jì)，擴(kuò)展性強(qiáng)

8、擁有富有表現(xiàn)力的API

9、擁有高質(zhì)量文檔

10、擁有豐富的插件

11、擁有專業(yè)的問(wèn)答社區(qū)和交流群

通過(guò)插件可以輕松實(shí)現(xiàn)諸如：

1、多線程采集

2、采集JavaScript動(dòng)態(tài)渲染的頁(yè)面 (PhantomJS/headless WebKit)

3、圖片本地化

4、模擬瀏覽器行為，如：提交Form表單

5、網(wǎng)絡(luò)爬蟲(chóng)

6、.....

環(huán)境要求

PHP >= 7.0

如果你的PHP版本還停留在PHP5，或者不會(huì)使用Composer,你可以選擇使用QueryList3,QueryList3支持php5.3以及手動(dòng)安裝。

安裝

通過(guò)Composer安裝:

 composer require jaeger/querylist

使用

元素操作

采集「昵圖網(wǎng)」所有圖片地址

QueryList::get('http://www.nipic.com')->find('img')->attrs('src');

采集百度搜索結(jié)果

$ql = QueryList::get('http://www.baidu.com/s?wd=QueryList');

$ql->find('title')->text(); // 獲取網(wǎng)站標(biāo)題
$ql->find('meta[name=keywords]')->content; // 獲取網(wǎng)站頭部關(guān)鍵詞

$ql->find('h3>a')->texts(); //獲取搜索結(jié)果標(biāo)題列表
$ql->find('h3>a')->attrs('href'); //獲取搜索結(jié)果鏈接列表

$ql->find('img')->src; //獲取第一張圖片的鏈接地址
$ql->find('img:eq(1)')->src; //獲取第二張圖片的鏈接地址
$ql->find('img')->eq(2)->src; //獲取第三張圖片的鏈接地址
// 遍歷所有圖片
$ql->find('img')->map(function($img){
echo $img->alt; //打印圖片的alt屬性
});

更多用法

$ql->find('#head')->append('<div>追加內(nèi)容</div>')->find('div')->htmls();
$ql->find('.two')->children('img')->attrs('alt'); //獲取class為two元素下的所有img孩子節(jié)點(diǎn)
//遍歷class為two元素下的所有孩子節(jié)點(diǎn)
$data = $ql->find('.two')->children()->map(function ($item){
//用is判斷節(jié)點(diǎn)類型
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

采集百度搜索結(jié)果列表的標(biāo)題和鏈接:

$data = QueryList::get('http://www.baidu.com/s?wd=QueryList')
// 設(shè)置采集規(guī)則
->rules([
'title'=>array('h3','text'),
'link'=>array('h3>a','href')
])
->query()->getData();

print_r($data->all());

采集結(jié)果:

Array
(
[0] => Array
(
[title] => QueryList|基于phpQuery的無(wú)比強(qiáng)大的PHP采集工具
[link] => http://www.baidu.com/link?url=GU_YbDT2IHk4ns1tjG2I8_vjmH0SCJEAPuuZN
)
[1] => Array
(
[title] => PHP 用QueryList抓取網(wǎng)頁(yè)內(nèi)容 - wb145230 - 博客園
[link] => http://www.baidu.com/link?url=zn0DXBnrvIF2ibRVW34KcRVFG1_bCdZvqvwIhUqiXaS
)
[2] => Array
(
[title] => 介紹- QueryList指導(dǎo)文檔
[link] => http://www.baidu.com/link?url=pSypvMovqS4v2sWeQo5fDBJ4EoYhXYi0Lxx
)
//...
)

編碼轉(zhuǎn)換

// 輸出編碼:UTF-8,輸入編碼:GB2312
QueryList::get('https://top.etao.com')->encoding('UTF-8','GB2312')->find('a')->texts();

// 輸出編碼:UTF-8,輸入編碼:自動(dòng)識(shí)別
QueryList::get('https://top.etao.com')->encoding('UTF-8')->find('a')->texts();

HTTP網(wǎng)絡(luò)操作(GuzzleHttp)

攜帶cookie登錄新浪微博

//采集新浪微博需要登錄才能訪問(wèn)的頁(yè)面
$ql = QueryList::get('http://weibo.com','param1=testvalue & params2=somevalue',[
'headers' => [
//填寫(xiě)從瀏覽器獲取到的cookie
'Cookie' => 'SINAGLOBAL=546064; wb_cmtLike_2112031=1; wvr=6;....'
]
]);
//echo $ql->getHtml();
echo $ql->find('title')->text();
//輸出: 我的首頁(yè) 微博-隨時(shí)隨地發(fā)現(xiàn)新鮮事

使用Http代理

$urlParams = ['param1' => 'testvalue','params2' => 'somevalue'];
$opts = [
// 設(shè)置http代理
'proxy' => 'http://222.141.11.17:8118',
//設(shè)置超時(shí)時(shí)間，單位：秒
'timeout' => 30,
// 偽造http頭
'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();

 模擬登錄

// 用post登錄
$ql = QueryList::post('http://xxxx.com/login',[
'username' => 'admin',
'password' => '123456'
])->get('http://xxx.com/admin');
//采集需要登錄才能訪問(wèn)的頁(yè)面
$ql->get('http://xxx.com/admin/page');
//echo $ql->getHtml();

Form表單操作

模擬登陸GitHub

// 獲取QueryList實(shí)例
$ql = QueryList::getInstance();
//獲取到登錄表單
$form = $ql->get('https://github.com/login')->find('form');

//填寫(xiě)GitHub用戶名和密碼
$form->find('input[name=login]')->val('your github username or email');
$form->find('input[name=password]')->val('your github password');

//序列化表單數(shù)據(jù)
$fromData = $form->serializeArray();
$postData = [];
foreach ($fromData as $item) {
$postData[$item['name']] = $item['value'];
}

//提交登錄表單
$actionUrl = 'https://github.com'.$form->attr('action');
$ql->post($actionUrl,$postData);
//判斷登錄是否成功
// echo $ql->getHtml();
$userName = $ql->find('.header-nav-current-user>.css-truncate-target')->text();
if($userName)
{
echo '登錄成功!歡迎你:'.$userName;
}else{
echo '登錄失敗!';
}

 Bind功能擴(kuò)展

自定義擴(kuò)展一個(gè)myHttp方法:

$ql = QueryList::getInstance();

//綁定一個(gè)myHttp方法到QueryList對(duì)象
$ql->bind('myHttp',function ($url){
// $this 為當(dāng)前的QueryList對(duì)象
$html = file_get_contents($url);
$this->setHtml($html);
return $this;
});

//然后就可以通過(guò)注冊(cè)的名字來(lái)調(diào)用
$data = $ql->myHttp('https://toutiao.io')->find('h3 a')->texts();
print_r($data->all());

或者把實(shí)現(xiàn)體封裝到class，然后這樣綁定:

$ql->bind('myHttp',function ($url){
return new MyHttp($this,$url);
});

插件使用

使用PhantomJS插件采集JavaScript動(dòng)態(tài)渲染的頁(yè)面:

// 安裝時(shí)設(shè)置PhantomJS二進(jìn)制文件路徑
$ql = QueryList::use(PhantomJs::class,'/usr/local/bin/phantomjs');

// 采集今日頭條手機(jī)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多線程插件,多線程采集GitHub排行榜:

$ql = QueryList::use(CurlMulti::class);
$ql->curlMulti([
'https://github.com/trending/php',
'https://github.com/trending/go',
//.....more urls
])
// 每個(gè)任務(wù)成功完成調(diào)用此回調(diào)
->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());
})
// 每個(gè)任務(wù)失敗回調(diào)
->error(function ($errorInfo,CurlMulti $curl){
echo "Current url:{$errorInfo['info']['url']} \r\n";
print_r($errorInfo['error']);
})
->start([
// 最大并發(fā)數(shù)
'maxThread' => 10,
// 錯(cuò)誤重試次數(shù)
'maxTry' => 3,
]);

插件

jae-jae/QueryList-PhantomJS: 使用PhantomJS采集JavaScript動(dòng)態(tài)渲染的頁(yè)面

jae-jae/QueryList-CurlMulti : Curl多線程采集

jae-jae/QueryList-AbsoluteUrl : 轉(zhuǎn)換URL相對(duì)路徑到絕對(duì)路徑

jae-jae/QueryList-Rule-Google : 谷歌搜索引擎

jae-jae/QueryList-Rule-Baidu : 百度搜索引擎