PHP类推荐：QueryList|基于phpQuery的无比强大的PHP采集工具

QueryList的出现让PHP做采集从未如此简单。得益于phpQuery，让使用QueryList几乎没有任何学习成本，只要会CSS3选择器就可以轻松使用QueryList了，和jQuery选择器用法完全通用，它让PHP做采集像jQuery选择元素一样简单。

初探

看看PHP用QueryList做采集到底有多简洁吧!

<?php
use QL\QueryList;

//采集某页面所有的图片
$data = QueryList::Query(‘http://cms.querylist.cc/bizhi/453.html‘,array(
    //采集规则库
    //‘规则名‘ => array(‘jQuery选择器‘,‘要采集的属性‘),
    ‘image‘ => array(‘img‘,‘src‘)
    ))->data;
//打印结果
print_r($data);

//采集某页面所有的超链接
//可以先手动获取要采集的页面源码
$html = file_get_contents(‘http://cms.querylist.cc/google/list_1.html‘);
//然后可以把页面源码或者HTML片段传给QueryList
$data = QueryList::Query($html,array(
    ‘link‘ => array(‘a‘,‘href‘)
    ))->data;
//打印结果
print_r($data);

/**
 * 在线测试采集并查看采集结果:http://querylist.cc/page-Querytest.html
 */

进阶

上面的采集结果有很多“杂质”，一定不会满足你的要求，来获取我们真正想要的结果。

<?php
use QL\QueryList;

//采集该页面[正文内容]中所有的图片
$data = QueryList::Query(‘http://cms.querylist.cc/bizhi/453.html‘,array(
    ‘image‘ => array(‘.post_content img‘,‘src‘)
    ))->data;
//打印结果
print_r($data);

//采集该页面文章列表中所有[文章]的超链接
$data = QueryList::Query(‘http://cms.querylist.cc/google/list_1.html‘,array(
    ‘link‘ => array(‘h2>a‘,‘href‘,‘‘,function($content){
        //利用回调函数补全相对链接
        $baseUrl = ‘http://cms.querylist.cc‘;
        return $baseUrl.$content;
})),‘.cate_list li‘)->data;
//打印结果
print_r($data);

全貌

正如你看到的那样，QueryList只有一个主要的方法Query，学会了使用Query方法也就意味着你已经熟练了QueryList！

<?php
/**
 * 下面来完整的演示采集一篇文章页的文章标题、发布日期和文章内容
 */

 //引入自动加载文件
require ‘vendor/autoload.php‘;
/**
 * 或者手动引入
 *
 * 引入QueryList依赖
 * require ‘QueryList/phpQuery.php‘;
 * 引入QueryList
 * require ‘QueryList/QueryList.php‘;
 */

use QL\QueryList;

//需要采集的目标页面
$page = ‘http://cms.querylist.cc/news/566.html‘;
//采集规则
$reg = array(
    //采集文章标题
    ‘title‘ => array(‘h1‘,‘text‘),
    //采集文章发布日期,这里用到了QueryList的过滤功能，过滤掉span标签和a标签
    ‘date‘ => array(‘.pt_info‘,‘text‘,‘-span -a‘,function($content){
        //用回调函数进一步过滤出日期
        $arr = explode(‘ ‘,$content);
        return $arr[0];
    }),
    //采集文章正文内容,利用过滤功能去掉文章中的超链接，但保留超链接的文字，并去掉版权、JS代码等无用信息
    ‘content‘ => array(‘.post_content‘,‘html‘,‘a -.content_copyright -script‘,function($content){
            //利用回调函数下载文章中的图片并替换图片路径为本地路径
            //使用本例请确保当前目录下有image文件夹，并有写入权限
            //由于QueryList是基于phpQuery的，所以可以随时随地使用phpQuery，当然在这里也可以使用正则或者其它方式达到同样的目的
            $doc = phpQuery::newDocumentHTML($content);
            $imgs = pq($doc)->find(‘img‘);
            foreach ($imgs as $img) {
                $src = ‘http://cms.querylist.cc‘.pq($img)->attr(‘src‘);
                $localSrc = ‘image/‘.md5($src).‘.jpg‘;
                $stream = file_get_contents($src);
                file_put_contents($localSrc,$stream);
                pq($img)->attr(‘src‘,$localSrc);
            }
            return $doc->htmlOuter();
    })
    );
$rang = ‘.content‘;
$ql = QueryList::Query($page,$reg,$rang);
$data = $ql->getData();
//打印结果
print_r($data);

扩展

QueryList的功能很单一，就是Query，但扩展让QueryList变得无限可能！

<?php
/**
 * 目前已经有：HTTP操作、多线程、模拟登陆等QueryList扩展
 * 下面来利用QueryList扩展来组合上面的例子，实现多线程采集文章并保存文章图片到本地
 */
use QL\QueryList;

//HTTP操作扩展
$urls = QueryList::run(‘Request‘,[
        ‘target‘ => ‘http://cms.querylist.cc/news/list_2.html‘,
        ‘referrer‘=>‘http://cms.querylist.cc‘,
        ‘method‘ => ‘GET‘,
        ‘params‘ => [‘var1‘ => ‘testvalue‘, ‘var2‘ => ‘somevalue‘],
        ‘user_agent‘=>‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10.8; rv:21.0) Gecko/20100101 Firefox/21.0‘,
        ‘cookiePath‘ => ‘./cookie.txt‘,
        ‘timeout‘ =>‘30‘
    ])->setQuery([‘link‘ => [‘h2>a‘,‘href‘,‘‘,function($content){
    //利用回调函数补全相对链接
    $baseUrl = ‘http://cms.querylist.cc‘;
    return $baseUrl.$content;
}]],‘.cate_list li‘)->getData(function($item){
    return $item[‘link‘];
});

//多线程扩展
QueryList::run(‘Multi‘,[
    ‘list‘ => $urls,
    ‘curl‘ => [
        ‘opt‘ => array(
                    CURLOPT_SSL_VERIFYPEER => false,
                    CURLOPT_SSL_VERIFYHOST => false,
                    CURLOPT_FOLLOWLOCATION => true,
                    CURLOPT_AUTOREFERER => true,
                ),
        //设置线程数
        ‘maxThread‘ => 100,
        //设置最大尝试数
        ‘maxTry‘ => 3
    ],
    ‘success‘ => function($a){
        //采集规则
        $reg = array(
            //采集文章标题
            ‘title‘ => array(‘h1‘,‘text‘),
            //采集文章发布日期,这里用到了QueryList的过滤功能，过滤掉span标签和a标签
            ‘date‘ => array(‘.pt_info‘,‘text‘,‘-span -a‘,function($content){
                //用回调函数进一步过滤出日期
                $arr = explode(‘ ‘,$content);
                return $arr[0];
            }),
            //采集文章正文内容,利用过滤功能去掉文章中的超链接，但保留超链接的文字，并去掉版权、JS代码等无用信息
            ‘content‘ => array(‘.post_content‘,‘html‘,‘a -.content_copyright -script‘,function($content){
                    //利用回调函数下载文章中的图片并替换图片路径为本地路径
                    //使用本例请确保当前目录下有image文件夹，并有写入权限
                    //由于QueryList是基于phpQuery的，所以可以随时随地使用phpQuery，当然在这里也可以使用正则或者其它方式达到同样的目的
                    $doc = phpQuery::newDocumentHTML($content);
                    $imgs = pq($doc)->find(‘img‘);
                    foreach ($imgs as $img) {
                        $src = pq($img)->attr(‘src‘);
                        $localSrc = ‘image/‘.md5($src).‘.jpg‘;
                        $stream = file_get_contents($src);
                        file_put_contents($localSrc,$stream);
                        pq($img)->attr(‘src‘,$localSrc);
                    }
                    return $doc->htmlOuter();
            })
            );
        $rang = ‘.content‘;
        $ql = QueryList::Query($a[‘content‘],$reg,$rang);
        $data = $ql->getData();
        //打印结果，实际操作中这里应该做入数据库操作
        print_r($data);
    }
]);

原文地址：http://blog.51cto.com/taoyouth/2301505