QueryList文档

采集列表

学习如何批量采集数据。


列表采集才是QueryList的核心功能,这里主要涉及到两个函数的用法:rules()range()

用法

上一章节的实战部分有讲解到采集IT之家的文章页,代码如下:

use QL\QueryList;

$ql = QueryList::get('https://www.ithome.com/html/discovery/358585.htm');

$rt = [];
// 采集文章标题
$rt['title'] = $ql->find('h1')->text();
// 采集文章作者
$rt['author'] = $ql->find('#author_baidu>strong')->text();
// 采集文章内容
$rt['content'] = $ql->find('.post_content')->html();

print_r($rt);

通过这段采集代码相信你已经感受到了QueryList的简洁与优雅,然而上面代码还可以变的更简洁,下面我们来用rules()函数进一步简化代码:

采集代码:
use QL\QueryList;

$url = 'https://www.ithome.com/html/discovery/358585.htm';
// 定义采集规则
$rules = [
    // 采集文章标题
    'title' => ['h1','text'],
    // 采集文章作者
    'author' => ['#author_baidu>strong','text'],
    // 采集文章内容
    'content' => ['.post_content','html']
];
$rt = QueryList::get($url)->rules($rules)->query()->getData();

print_r($rt->all());
采集结果:
Array
(
    [0] => Array
        (
            [title] => 巴基斯坦一城镇温度达50.2度:创下全球4月历史温度新高
            [author] => 白猫
            [content] => <p><a class="s_tag" href="https://www.ithome.com/" target="_blank">IT之家</a>5月6日消息 4月份就遇到超过50度的极端天气显然是不可想象的,不过这的的确确发生在我们的周围,目前在巴基斯坦的一个城镇,有气象观测站显示该地的温度最高达到50.2度,打破了全球有记录以来的四月最高温。</p>
<p><img src="//img.ithome.com/images/v2/t.png" w="600" h="400" class="lazy" title="巴基斯坦一城镇温度达50.2度:创下全球4月历史温度新高" data-original="https://img.ithome.com/newsuploadfiles/2018/3/20180323_103720_572.png" width="600" height="400"></p>
<p>根据天空新闻的报道,在位于巴基斯坦南部的纳瓦布沙在周一(4月30日)的时候出现了高达50.2度的气温,气象学家表示这或许是人类有史以来遇到的四月份最高的温度。</p>
<p>法国气象局的气象学家卡比奇安在推特上表示,巴基斯坦的这个小城镇不但是有史以来亚洲遇到的最高的四月气温,更有可能是全球四月的最高温,而也有网友表示由于过于炎热的天气,当地已经有不少人因为中暑而丧命。</p>
<p>全球极端天气专家克里斯托弗伯特也表示,四月份就达到50摄氏度极其罕见,纳瓦布沙的温度或将是人类有史以来遇到的温度最高的四月。农业学家表示巴基斯坦过高的温度会严重影响未来粮食的收割。</p>
        )

)

$rules规则解释如下:

$rules = [
    '规则名1' => ['选择器1','元素属性'],
    '规则名2' => ['选择器2','元素属性'],
    // ...
];

采集结果与前面的代码完全相同,注意这里的采集结果是一个二维数组。

queryData() 语法糖

可能你会觉的列表采集的语法有一点点繁琐,如:

$rt = QueryList::get($url)->rules($rules)->query()->getData();
print_r($rt->all());

QueryList V4.0.4版本新增了一个queryData()语法糖来简化这种操作:

$rt = QueryList::get($url)->rules($rules)->queryData();
print_r($rt);

queryData()方法等同于query()->getData()->all()

{primary} QueryList之所以这样设计,是为了方便在各个环节挂载插件,如:query()->downloadImage()->getData(),获取数据之前 ,先用保存图片的插件把图片下载到本地并替换图片路径为本地路径。

列表采集

前面只说到采集文章页内容,通常情况下我们会先采集列表页,然后再循环采集列表中的每篇文章,采集列表需要用到range()函数来配合rules()函数。

img

如图我们要采集IT之家的文章列表,我标记了不同的颜色来分解页面元素:

  • 蓝色区域:我们要采集的整个列表
  • 红色区域:列表中的每一条文章
  • 黄色区域:我们要采集的每条文章的元信息,标题、文章链接、简介以及缩略图

首先要分析出红色区域的选择器,我们称之为切片选择器范围选择器,也就是range

img

如图,利用浏览器的开发者工具可以很容易分析出切片选择器为:.ulcl>li,然后我们需要在这每个切片区域中去采集文章的标题、文章链接、简介以及缩略图,利用同样的方式分析出每个元素的选择器,这里不再赘述,最终列表采集代码为:

采集代码:
use QL\QueryList;

$url = 'https://it.ithome.com/ityejie/';
// 元数据采集规则
$rules = [
​    // 采集文章标题
​    'title' => ['h2>a','text'],
​    // 采集链接
​    'link' => ['h2>a','href'],
​    // 采集缩略图
​    'img' => ['.list_thumbnail>img','src'],
​    // 采集文档简介
​    'desc' => ['.memo','text']
];
// 切片选择器
$range = '.ulcl';
$rt = QueryList::get($url)->rules($rules)
​        ->range($range)->query()->getData();

print_r($rt->all());
采集结果:
Array
(
​    [0] => Array
​        (
​            [title] =>
​            [link] =>
​            [img] =>
​            [desc] =>
​        )

    [1] => Array
        (
            [title] => 快讯:iOS版QQ大面积闪退(网友反映已恢复)
            [link] => https://www.ithome.com/html/it/358734.htm
            [img] => //img.ithome.com/images/v2/grey.gif
            [desc] => iOS版QQ大面积闪退,原因未知。目前根据IT之家的网友反映,目前iOS版本的QQ已经恢复,但是近期的消息记录已经消失
        )

    [2] => Array
        (
            [title] => 阿里影业公布截至近15个月业绩:营收33亿元,增幅130%
            [link] => https://www.ithome.com/html/it/358728.htm
            [img] => //img.ithome.com/images/v2/grey.gif
            [desc] =>  阿里影业集团公布截至2018年3月31日的十五个月财务业绩:报告期内公司营业收入达到33.03亿元,较上一年同期十五个月的14.32亿元,增长幅度超130%
        )
    // ....
)

数据是采集回来了,但我们发现有一点瑕疵,结果里面有一条结果是空的,且文章缩略图链接不正确。

img

如图我们再次分析页面可以得知,第一条切片区域是广告,所以采集的第一条结果为空;而文章列表的缩略图使用了懒加载,所以图片的真正链接在img的data-original属性上,修正后的代码如下:

采集代码:
 use QL\QueryList;

$url = 'https://it.ithome.com/ityejie/';
// 元数据采集规则
$rules = [
​    // 采集文章标题
​    'title' => ['h2>a','text'],
​    // 采集链接
​    'link' => ['h2>a','href'],
​    // 采集缩略图,真正的图片链接在data-original属性上
​    'img' => ['.list_thumbnail>img','data-original'],
​    // 采集文档简介
​    'desc' => ['.memo','text']
];
// 切片选择器,跳过第一条广告
$range = '.ulcl>li:gt(0)';
$rt = QueryList::get($url)->rules($rules)
​        ->range($range)->query()->getData();

print_r($rt->all());
采集结果:
Array
(
    [0] => Array
        (
            [title] => 快讯:iOS版QQ大面积闪退(网友反映已恢复)
            [link] => https://www.ithome.com/html/it/358734.htm
            [img] => //img.ithome.com/newsuploadfiles/thumbnail/2018/5/358734_240.jpg
            [desc] => iOS版QQ大面积闪退,原因未知。目前根据IT之家的网友反映,目前iOS版本的QQ已经恢复,但是近期的消息记录已经消失
        )

    [1] => Array
        (
            [title] => 阿里影业公布截至近15个月业绩:营收33亿元,增幅130%
            [link] => https://www.ithome.com/html/it/358728.htm
            [img] => //img.ithome.com/newsuploadfiles/thumbnail/2018/5/358728_240.jpg
            [desc] =>  阿里影业集团公布截至2018年3月31日的十五个月财务业绩:报告期内公司营业收入达到33.03亿元,较上一年同期十五个月的14.32亿元,增长幅度超130%
        )

    // ....
)

就这样我们利用QueryList很轻松就采集到了IT之家的文章列表以及文章内容😀。

关于方法的调用顺序

get()rules()range() 这几个方法都属于QueryList属性设置方法,所以调用顺序可以随意,所以下面这几种写法都是等价的:

 QueryList::get($url)->rules($rules)->range($range)->query()->getData();
 QueryList::rules($rules)->get($url)->range($range)->query()->getData();
 QueryList::range($range)->rules($rules)->get($url)->query()->getData();

根据此特性,这里有些使用的小技巧:

  • 复用采集规则:针对同一个网站的多个结构相同的页面的采集
// 待采集的同一个网站的网页集合
$urls = [
  'http://xxx.com/1.html',
  'http://xxx.com/2.html',
  'http://xxx.com/3.html',
  // ...
];

// 由于采集的都是同一个网站的网页,所以采集规则是可以复用的
$ql = QueryList::rules([...])->range('...');

foreach ($urls as  $url) {
    $data = $ql->get($url)->query()->getData();
    // ...
}
  • 复用网页:针对同一个页面应用多套采集规则,避免重复抓取页面
$url = 'http://xxx.com/1.html';

// 抓取网页
$ql = QueryList::get($url);

// 应用第一种采集规则
$data1 = $ql->rules([...])->range('...')->query()->getData();

// 应用第二种采集规则
$data2 = $ql->rules([...])->range('...')->query()->getData();