Thinkphp5与QueryList实现采集页面功能（爬虫）

QueryList 是什么?

QueryList是一套用于内容采集的PHP工具，它使用更加现代化的开发思想，语法简洁、优雅，可扩展性强。相比传统的使用晦涩的正则表达式来做采集，QueryList使用了更加强大而优雅的CSS选择器来做采集，大大降低了PHP做采集的门槛，同时也让采集代码易读易维护，让你从此告别晦涩难懂且不易维护的正则表达式。

QueryList 提供的一整套内容采集解决方案

● DOM内容选择：CSS选择器

● HTTP客户端：GuzzleHTTP

● 内容过滤：CSS选择器

● 解决乱码：内置多套乱码解决方案

● 额外功能：丰富的扩展插件

前提

项目主要用thinkphp5框架，主要会用到`QueryList.php`和`phpQuery.php`这两个文件。我们可以切换到项目目录，extend里新建QL，然后在QL目录执行composer命令安装QueryList:

composer require jaeger/querylist

然后在需要使用的控制器中加入 use QLQueryList; 接下来就在控制器里编写代码了，以下是一个实例

//需要采集的目标页面 $page = 'http://cms.querylist.cc/news/566.html'; //采集规则 $reg = array(    //采集文章标题    'title' => array('h1','text'),    //采集文章发布日期,这里用到了QueryList的过滤功能，过滤掉span标签和a标签    'date' => array('.pt_info','text','-span -a',function($content){        //用回调函数进一步过滤出日期        $arr = explode(' ',$content);        return $arr[0];    }),    //采集文章正文内容,利用过滤功能去掉文章中的超链接，但保留超链接的文字，并去掉版权、JS代码等无用信息    'content' => array('.post_content','html','a -.content_copyright -script',function($content){        //利用回调函数下载文章中的图片并替换图片路径为本地路径        //使用本例请确保当前目录下有image文件夹，并有写入权限        //由于QueryList是基于phpQuery的，所以可以随时随地使用phpQuery，当然在这里也可以使用正则或者其它方式达到同样的目的         $doc=phpQuery::newDocumentHTML($content);        $imgs = pq($doc)->find('img');        foreach ($imgs as $img) {            $src = 'http://cms.querylist.cc'.pq($img)->attr('src');            $localSrc = md5($src).'.jpg';            $stream = file_get_contents($src);            file_put_contents($localSrc,$stream);            pq($img)->attr('src',$localSrc);        }        return $doc->htmlOuter();    }) ); $rang = '.content'; $ql = QueryList::Query($page,$reg,$rang); $data = $ql->getData(); //打印结果 print_r($data);

注意：

在使用phpQuery类时需要在前面加上，因为phpQuery.php中没有使用命名空间，因为使用命名空间后，QueryList.php无法使用phpQuery类。