QueryList使用jQuery的方式来做采集,拥有丰富的插件。
下面来演示QueryList使用PhantomJS插件抓取JS动态创建的页面内容。
安装
使用Composer安装:
安装QueryList
composerrequirejaeger/querylist
GitHub:https://github.com/jae-jae/QueryList
安装PhantomJS插件
composerrequirejaeger/querylist-phantomjs
GitHub:https://github.com/jae-jae/QueryList-PhantomJS
下载PhantomJS二进制文件
PhantomJS官网:http://phantomjs.org,下载对应平台的PhantomJS二进制文件。
插件API
QueryListbrowser($url,$debug = false,$commandOpt = []):使用浏览器打开连接
使用
以采集「今日头条」手机版为例,「今日头条」手机版基于React框架,内容是纯动态渲染出来的。
下面演示QueryList的PhantomJs插件用法:
安装插件
use QL\QueryList;
use QL\Ext\PhantomJs;
$ql = QueryList::getInstance();
// 安装时需要设置PhantomJS二进制文件路径
$ql->use(PhantomJs::class,'/usr/local/bin/phantomjs');
//or Custom function name$ql->use(PhantomJs::class,'/usr/local/bin/phantomjs','browser');
Example-1
获取动态渲染的HTML:
$html = $ql->browser('https://m.toutiao.com')->getHtml();print_r($html);
获取所有p标签文本内容:
$data = $ql->browser('https://m.toutiao.com')->find('p')->texts();print_r($data->all());
输出:
Array( [0] => 自拍模式开启!国庆假期我和国旗合个影 [1] => 你旅途已开始 他们仍在自己的岗位上为你的假期保驾护航 [2] => 喜极而泣,都教授终于回到地球了!//....)
使用http代理:
// 更多选项可以查看文档: http://phantomjs.org/api/command-line.html
$ql->browser('https://m.toutiao.com',true,[// 使用http代理'--proxy'=>'192.168.1.42:8080','--proxy-type'=>'http'])
Example-2
自定义一个复杂的请求:
$data = $ql->browser(function(\JonnyW\PhantomJs\Http\RequestInterface $r){ $r->setMethod('GET'); $r->setUrl('https://m.toutiao.com'); $r->setTimeout(10000);// 10 seconds$r->setDelay(3);// 3 secondsreturn$r;})->find('p')->texts();print_r($data->all());
开启debug模式,并从本地加载cookie文件:
$data = $ql->browser(function(\JonnyW\PhantomJs\Http\RequestInterface $r){ $r->setMethod('GET'); $r->setUrl('https://m.toutiao.com'); $r->setTimeout(10000);// 10 seconds$r->setDelay(3);// 3 secondsreturn$r;},true,['--cookies-file'=>'/path/to/cookies.txt'])->rules(['title'=> ['p','text'],'link'=> ['a','href']])->query()->getData();print_r($data->all());