php数据采集源码,一个基于phpQuery的php通用采集类分享

一、采集类源码

/**

*通用列表采集类

*版本V1.3

*作者:JAE

*/

require_once '../phpQuery/phpQuery/phpQuery.php';

class QueryList{

private $pageURL;

private $regArr = array();

public $jsonArr = array();

private $regRange;

private $html;

/************************************************

* 参数: 页面地址 选择器数组 块选择器

* 【选择器数组】说明:格式array("名称"=>array("选择器","类型"),.......)

* 【类型】说明:值 "text" ,"html" ,"属性"

*【块选择器】:指 先按照规则 选出 几个大块 ,然后再分别再在块里面 进行相关的选择

*************************************************/

function QueryList($pageURL,$regArr=array(),$regRange='')

{

$this->pageURL = $pageURL;

//为了能获取https://

$ch = curl_init();

curl_setopt($ch, CURLOPT_URL,$this->pageURL);

curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);

curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, false);

curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);

$this->html = curl_exec($ch);

curl_close($ch);

if(!empty($regArr))

{

$this->regArr = $regArr;

$this->regRange = $regRange;

$this->getList();

}

}

function setQuery($regArr,$regRange='')

{

$this->jsonArr=array();

$this->regArr = $regArr;

$this->regRange = $regRange;

$this->getList();

}

private function getList()

{

$hobj = phpQuery::newDocumentHTML($this->html);

if(!empty($this->regRange))

{

$robj = pq($hobj)->find($this->regRange);

$i=0;

foreach($robj as $item)

{

while(list($key,$reg_value)=each($this->regArr))

{

$iobj = pq($item)->find($reg_value[0]);

switch($reg_value[1])

{

case 'text':

$this->jsonArr[$i][$key] = trim(pq($iobj)->text());

break;

case 'html':

$this->jsonArr[$i][$key] = trim(pq($iobj)->html());

break;

default:

$this->jsonArr[$i][$key] = pq($iobj)->attr($reg_value[1]);

break;

}

}

//重置数组指针

reset($this->regArr);

$i++;

}

}

else

{

while(list($key,$reg_value)=each($this->regArr))

{

$lobj = pq($hobj)->find($reg_value[0]);

$i=0;

foreach($lobj as $item)

{

switch($reg_value[1])

{

case 'text':

$this->jsonArr[$i++][$key] = trim(pq($item)->text());

break;

case 'html':

$this->jsonArr[$i++][$key] = trim(pq($item)->html());

break;

default:

$this->jsonArr[$i++][$key] = pq($item)->attr($reg_value[1]);

break;

}

}

}

}

}

function getJSON()

{

return json_encode($this->jsonArr);

}

}

二、使用例子

require 'Query/QueryList.class.php';

//采集OSC的代码分享列表,标题 链接 作者

$url = "http://www.oschina.net/code/list";

$reg = array("title"=>array(".code_title a:eq(0)","text"),"url"=>array(".code_title a:eq(0)","href"),"author"=>array("img","title"));

$rang = ".code_list li";

$hj = new QueryList($url,$reg,$rang);

$arr = $hj->jsonArr;

print_r($arr);

//如果还想采当前页面右边的 TOP40活跃贡献者 图像,得到JSON数据,可以这样写

$reg = array("portrait"=>array(".hot_top img","src"));

$hj->setQuery($reg);

$json = $hj->getJSON();

echo $json . "


";

//采OSC内容页内容

$url = "http://www.oschina.net/code/snippet_186288_23816";

$reg = array("title"=>array(".QTitle h1","text"),"con"=>array(".Content","html"));

$hj = new QueryList($url,$reg);

$arr = $hj->jsonArr;

print_r($arr);

//就举这么多例子吧,是不是用来做采集很方便

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Soukey采摘网站数据采集软件是一款基于.Net平台的开源软件,也是网站数据采集软件型中唯一一款开源软件。尽管Soukey采摘开源,但并不会影响软件功能的提供,甚至要比一些商用软件的功能还要丰富。Soukey采摘当前提供的主要功能如下: 1. 多任务多线程数据采集,支持POST方式; 2. 可采集Ajax页面; 3. 支持Cookie,支持手工登录采集数据; 4. 支持采集事务; 5. 支持数据自动及手工导出,导出格式为:文本、Excel、Access、MSSql、Mysql等; 6. 支持在线发布数据; 7. 支持导航网址的采集,导航深度不限; 8. 支持自动翻页; 9. 支持文件下载,可以采集图片、Flash及其他文件; 10. 支持采集结果数据的加工,包括替换、附前缀后缀、截取等操作,支持正则; 11. 采集网址定义不仅支持基本参数定义,也可外接字典数据作为网址参数,进行数据采集; 12. 支持一个任务多实例运行; 13. 提供计划任务,计划任务支持Soukey采集任务、外部可执行文件任务、数据库存储过程任务; 14. 计划任务执行周期支持每天、每周及自定义运行间隔;最小单位为:半小时; 15. 支持任务触发器,即可在采集任务完成后,自动触发执行其他任务(包括可执行文件或存储过程)。 16. 完善的日志功能:系统日志、任务执行日志、出错日志等等; 17. 系统提供MINI浏览器可用于捕获Cookie或POST数据; Soukey采摘并不限制您是否商用此软件,源码完全开放,
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值