说到爬虫,很多人就会想到python爬虫,因为它确实有很大的优点。但其实php也是可以用来做异步爬取数据的,下面就来给大家介绍一下使用php做异步爬取数据的方法。
什么是网络爬虫?
网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
爬虫有什么用?
-
做为通用搜索引擎网页收集器。(google,baidu)
-
做垂直搜索引擎.
-
科学研究:在线人类行为,在线社群演化,人类动力学研究,计量社会学,复杂网络,数据挖掘,等领域的实证研究都需要大量数据,网络爬虫是收集相关数据的利器。
-
偷窥,hacking,发垃圾邮件……
QueryList 简介与特性
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
-
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:
1 | composer require jaeger/querylist |
使用
元素操作
采集「昵图网」所有图片地址
1 | QueryList::get('http://www.nipic.com')->find('img')->attrs('src'); |
采集百度搜索结果
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | $ql = QueryList::get(& #39;http://www.baidu.com/s?wd=QueryList'); $ql->find(& #39;title')->text(); // 获取网站标题 $ql->find(& #39;meta[name=keywords]')->content; // 获取网站头部关键词 $ql->find(& #39;h3>a')->texts(); //获取搜索结果标题列表 $ql->find(& #39;h3>a')->attrs('href'); //获取搜索结果链接列表 $ql->find(& #39;img')->src; //获取第一张图片的链接地址 $ql->find(& #39;img:eq(1)')->src; //获取第二张图片的链接地址 $ql->find(& #39;img')->eq(2)->src; //获取第三张图片的链接地址 // 遍历所有图片 $ql->find(& #39;img')->map(function($img){ echo $img->alt; //打印图片的alt属性 }); |
更多用法
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | $ql->find(& #39;#head')->append('<div>追加内容</div>')->find('div')->htmls(); $ql->find(& #39;.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 = $ql->find(& #39;.two')->children()->map(function ($item){ //用is判断节点类型 if ($item->is(& #39;a')){ return $item->text(); }elseif($item->is(& #39;img')) { return $item->alt; } }); $ql->find(& #39;a')->attr('href', 'newVal')->removeClass('className')->html('newHtml')->... $ql->find(& #39;div > p')->add('div > ul')->filter(':has(a)')->find('p:first')->nextAll()->andSelf()->... $ql->find(& #39;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:
1 2 3 4 5 6 7 8 9 | $data = QueryList::get(& #39;http://www.baidu.com/s?wd=QueryList') // 设置采集规则 ->rules([ & #39;title'=>array('h3','text'), & #39;link'=>array('h3>a','href') ]) ->query()->getData(); print_r($data->all()); |
采集结果:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | 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
1 2 3 4 5 | // 输出编码:UTF-8,输入编码:GB2312 QueryList::get(& #39;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(& #39;https://top.etao.com')->encoding('UTF-8')->find('a')->texts(); |
HTTP网络操作
携带cookie登录新浪微博
1 2 3 4 5 6 7 8 9 10 | //采集新浪微博需要登录才能访问的页面 $ql = QueryList::get(& #39;http://weibo.com','param1=testvalue & params2=somevalue',[ & #39;headers' => [ //填写从浏览器获取到的cookie & #39;Cookie' => 'SINAGLOBAL=546064; wb_cmtLike_2112031=1; wvr=6;....' ] ]); //echo $ql->getHtml(); echo $ql->find(& #39;title')->text(); //输出: 我的首页 微博-随时随地发现新鲜事 |
使用Http代理
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 | $urlParams = [& #39;param1' => 'testvalue','params2' => 'somevalue']; $opts = [ // 设置http代理 & #39;proxy' => 'http://222.141.11.17:8118', //设置超时时间,单位:秒 & #39;timeout' => 30, // 伪造http头 & #39;headers' => [ & #39;Referer' => 'https://querylist.cc/', & #39;User-Agent' => 'testing/1.0', & #39;Accept' => 'application/json', & #39;X-Foo' => ['Bar', 'Baz'], & #39;Cookie' => 'abc=111;xxx=222' ] ]; $ql->get(& #39;http://httpbin.org/get',$urlParams,$opts); // echo $ql->getHtml(); |
模拟登录
1 2 3 4 5 6 7 8 | // 用post登录 $ql = QueryList::post(& #39;http://xxxx.com/login',[ & #39;username' => 'admin', & #39;password' => '123456' ])->get(& #39;http://xxx.com/admin'); //采集需要登录才能访问的页面 $ql->get(& #39;http://xxx.com/admin/page'); //echo $ql->getHtml(); |
Form表单操作
模拟登陆GitHub
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 | // 获取QueryList实例 $ql = QueryList::getInstance(); //获取到登录表单 $form = $ql->get(& #39;https://github.com/login')->find('form'); //填写GitHub用户名和密码 $form->find(& #39;input[name=login]')->val('your github username or email'); $form->find(& #39;input[name=password]')->val('your github password'); //序列化表单数据 $fromData = $form->serializeArray(); $postData = []; foreach ($fromData as $item) { $postData[$item[& #39;name']] = $item['value']; } //提交登录表单 $actionUrl = & #39;https://github.com'.$form->attr('action'); $ql->post($actionUrl,$postData); //判断登录是否成功 // echo $ql->getHtml(); $userName = $ql->find(& #39;.header-nav-current-user>.css-truncate-target')->text(); if ($userName) { echo & #39;登录成功!欢迎你:'.$userName; } else { echo & #39;登录失败!'; } |
Bind功能扩展
自定义扩展一个myHttp方法:
1 2 3 4 5 6 7 8 9 10 11 12 | $ql = QueryList::getInstance(); //绑定一个myHttp方法到QueryList对象 $ql->bind(& #39;myHttp',function ($url){ $html = file_get_contents($url); $ this ->setHtml($html); return $ this ; }); //然后就可以通过注册的名字来调用 $data = $ql->myHttp(& #39;https://toutiao.io')->find('h3 a')->texts(); print_r($data->all()); |
或者把实现体封装到class,然后这样绑定:
1 2 3 | $ql->bind(& #39;myHttp',function ($url){ return new MyHttp($ this ,$url); }); |
插件使用
使用CURL多线程插件,多线程采集GitHub排行榜:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 | $ql = QueryList::use(CurlMulti::class); $ql->curlMulti([ & #39;https://github.com/trending/php', & #39;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 = $ql->find(& #39;h3 a')->texts(); print_r($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[& #39;error']); }) ->start([ // 最大并发数 & #39;maxThread' => 10, // 错误重试次数 & #39;maxTry' => 3, ]); |