QueryList API文档

QueryList rules(array $rules)


设置采集规则

  • 采集规则格式
//采集规则
$rules = array(
   '规则名' => array('jQuery选择器','要采集的属性'[,"标签过滤列表"][,"回调函数"]),
   '规则名2' => array('jQuery选择器','要采集的属性'[,"标签过滤列表"][,"回调函数"]),
    ..........
);

//注:方括号括起来的参数可选
  • 规则解释
字段 类型 必填 注释
规则名 string 任意不重复字符串
jQuery选择器 string 要选择的元素选择器
要采集的属性 string 任意html元素属性
标签过滤列表 string 设置要过滤的内容
回调函数 Closure 用于对数据做额外处理
  • 例子
//采集规则
$rules = [
    //采集img标签的src属性,也就是采集页面中的图片链接
    'name1' => ['img','src'],
    //采集class为content的div的纯文本内容,
    //并移除内容中的a标签内容,移除id为footer标签的内容,保留img标签
    'name2' => ['div.content','text','-a -#footer img'],
    //采集第二个div的html内容,并在内容中追加了一些自定义内容
    'name3' => ['div:eq(1)','html','',function($content){
        $content += 'some str...';
        return $content;
    }]
];

规则字段解释

下面单独解释几个复杂的字段。

1.要采集的属性

值为以下3种:

  • text:返回当前选中标签下面的纯文本
  • html:返回当前选中标签下面的html片段
  • [HTML标签属性]:如src、href、name、data-src等任意HTML标签属性名,支持通配符*匹配标签所有属性

2.标签过滤列表

设置此选项可用来过滤不想要的内容,多个值之间用空格隔开,有如下2条规则:


  1. 当标签名前面添加减号(-)时(此时标签可以为任意的jQuery选择器),表示移除该标签以及标签内容。
  2. 当标签名前面没有减号(-)时,当 [要采集的属性] 值为text时表示需要保留的HTML标签以及内容,为html时表示要过滤掉的HTML标签但保留内容。

  • 例子

如下面这段html:

<div class="article">
    这是中文内容,<a href="http://querylist.cc">这里有个链接</a>
    <div class="ad1">
        这里有一段广告
    </div>
    <div class="ad2">
        这里还有一段广告
    </div>
</div>

获取class为article的元素内部内容,但是不想要那几段广告文字,那么此时就可以设置采集规则为:

//采集规则
$rules = [
    'content' => ['.article','html','-.ad1 -.ad2']
];

意思就是:采集class为article的元素内部的html内容,并去掉class为ad1和class为ad2的元素内容。

现在获取到的内容就为:

这是中文内容,<a href="http://querylist.cc">这里有个链接</a>

实际采集中我们一般并不想采集别人的外链,想去掉内容中的链接,此时如果过滤器改为-.ad1 -.ad2 -a,采集到的内容就为:

这是中文内容,

链接是去掉了,但实际上我们是想保存链接文字内容的,所以过滤器应该改为:-.ad1 -.ad2 a,这样采集到的内容就为:

这是中文内容,这里有个链接

用法


$html=<<<STR
<div class="content">
    <div>
        <a href="https://querylist.cc/1.html">这是链接一</a>
        <span>这是文字一</span>
    </div>

    <div>
        <a href="https://querylist.cc/2.html">这是链接二</a>
        <span>这是文字二</span>
    </div>

    <div>
        <a href="https://querylist.cc/1.html">这是链接三</a>
        <span>这是文字三</span>
    </div>
</div>
STR;

//采集规则
$rules = [
    //采集a标签的href属性
    'link' => ['a','href'],
    //采集a标签的text文本
    'link_text' => ['a','text'],
    //采集span标签的text文本
    'txt' => ['span','text']
];

$ql = QueryList::html($html)->rules($rules)->query();
$data = $ql->getData();
print_r($data->all());

采集结果:

Array
(
    [0] => Array
        (
            [link] => https://querylist.cc/1.html
            [link_text] => 这是链接一
            [txt] => 这是文字一
        )

    [1] => Array
        (
            [link] => https://querylist.cc/2.html
            [link_text] => 这是链接二
            [txt] => 这是文字二
        )

    [2] => Array
        (
            [link] => https://querylist.cc/1.html
            [link_text] => 这是链接三
            [txt] => 这是文字三
        )

)