310 lines
9.4 KiB
Markdown
310 lines
9.4 KiB
Markdown
<p align="center">
|
||
<img width="150" src="logo.png" alt="QueryList">
|
||
<br>
|
||
<br>
|
||
</p>
|
||
|
||
# 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 >= 7.1
|
||
|
||
> 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
|
||
|
||
```php
|
||
QueryList::get('http://www.nipic.com')->find('img')->attrs('src');
|
||
```
|
||
- 采集百度搜索结果
|
||
|
||
```php
|
||
$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
|
||
|
||
```php
|
||
$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:
|
||
```php
|
||
$data = QueryList::get('http://www.baidu.com/s?wd=QueryList')
|
||
// 设置采集规则
|
||
->rules([
|
||
'title'=>array('h3','text'),
|
||
'link'=>array('h3>a','href')
|
||
])
|
||
->query()->getData();
|
||
|
||
print_r($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
|
||
```php
|
||
// 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
|
||
```php
|
||
//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
|
||
```php
|
||
$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
|
||
```php
|
||
// 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
|
||
```php
|
||
// 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:
|
||
```php
|
||
$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:
|
||
```php
|
||
$ql->bind('myHttp',function ($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:
|
||
|
||
```php
|
||
// 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:
|
||
|
||
```php
|
||
$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](https://github.com/jae-jae/QueryList-PhantomJS): 使用PhantomJS采集JavaScript动态渲染的页面
|
||
- [jae-jae/QueryList-CurlMulti](https://github.com/jae-jae/QueryList-CurlMulti) : Curl多线程采集
|
||
- [jae-jae/QueryList-AbsoluteUrl](https://github.com/jae-jae/QueryList-AbsoluteUrl) : 转换URL相对路径到绝对路径
|
||
- [jae-jae/QueryList-Rule-Google](https://github.com/jae-jae/QueryList-Rule-Google) : 谷歌搜索引擎
|
||
- [jae-jae/QueryList-Rule-Baidu](https://github.com/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](https://github.com/jae-jae/QueryList-Community)
|
||
|
||
## 贡献
|
||
欢迎为QueryList贡献代码。关于贡献插件可以查看:[QueryList插件贡献说明](https://github.com/jae-jae/QueryList-Community/blob/master/CONTRIBUTING.md)
|
||
|
||
## 寻求帮助?
|
||
- QueryList主页: [http://querylist.cc](http://querylist.cc/)
|
||
- QueryList文档: [http://doc.querylist.cc](http://doc.querylist.cc/)
|
||
- QueryList问答:[http://wenda.querylist.cc](http://wenda.querylist.cc/)
|
||
- QueryList交流QQ群:123266961 <a target="_blank" href="http://shang.qq.com/wpa/qunwpa?idkey=a1b248ae30b3f711bdab4f799df839300dc7fed54331177035efa0513da027f6"><img border="0" src="http://pub.idqqimg.com/wpa/images/group.png" alt="cafeEX" title="cafeEX"></a>
|
||
- GitHub:https://github.com/jae-jae/QueryList
|
||
- Git@OSC:http://git.oschina.net/jae/QueryList
|
||
|
||
## Author
|
||
Jaeger <JaegerCode@gmail.com>
|
||
|
||
## Lisence
|
||
QueryList is licensed under the license of MIT. See the LICENSE for more details.
|