Thinkphp5与QueryList实现采集页面功能（爬虫）

ThinkPHP  /  管理员 发布于 8年前   422

QueryList 是什么?

QueryList是一套用于内容采集的PHP工具，它使用更加现代化的开发思想，语法简洁、优雅，可扩展性强。相比传统的使用晦涩的正则表达式来做采集，QueryList使用了更加强大而优雅的CSS选择器来做采集，大大降低了PHP做采集的门槛，同时也让采集代码易读易维护，让你从此告别晦涩难懂且不易维护的正则表达式。

QueryList 提供的一整套内容采集解决方案

● DOM内容选择：CSS选择器

● HTTP客户端：GuzzleHTTP

● 内容过滤：CSS选择器

● 解决乱码：内置多套乱码解决方案

● 额外功能：丰富的扩展插件

前提

项目主要用thinkphp5框架，主要会用到`QueryList.php`和`phpQuery.php`这两个文件。我们可以切换到项目目录，extend里新建QL，然后在QL目录执行composer命令安装QueryList:

composer require jaeger/querylist

然后在需要使用的控制器中加入 use QL\QueryList; 接下来就在控制器里编写代码了，以下是一个实例

//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');           $localSrc = md5($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);

注意：

在使用phpQuery类时需要在前面加上\，因为phpQuery.php中没有使用命名空间，因为使用命名空间后，QueryList.php无法使用phpQuery类。

更多相关ThinkPHP知识，请访问ThinkPHP教程！

以上就是Thinkphp5与QueryList实现采集页面功能（爬虫）的详细内容，更多请关注其它相关文章！