• 技术文章 >后端开发 >php教程

    浅析怎么使用PHP做异步爬取数据

    青灯夜游青灯夜游2023-01-12 20:02:33转载158

    说到爬虫,很多人就会想到python爬虫,因为它确实有很大的优点。但其实PHP也是可以用来做异步爬取数据的,下面就来给大家介绍一下使用PHP做异步爬取数据的方法。

    什么是网络爬虫?

    网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。

    爬虫有什么用?

    QueryList 简介与特性

    QueryList是一套简洁、优雅、可扩展的PHP采集工具(爬虫),基于phpQuery。

    特性:

    通过插件可以轻松实现诸如:

    环境要求

    PHP >= 7.0

    如果你的PHP版本还停留在PHP5,或者不会使用Composer,你可以选择使用QueryList3,QueryList3支持php5.3以及手动安装。 QueryList3 文档:http://v3.querylist.cc

    安装

    通过Composer安装:

    composer require jaeger/querylist

    使用

    元素操作

    采集「昵图网」所有图片地址

    QueryList::get('http://www.nipic.com')->find('img')->attrs('src');

    采集百度搜索结果

    $ql = QueryList::get('http://www.baidu.com/s?wd=QueryList');
    
    $ql->find('title')->text(); // 获取网站标题
    $ql->find('meta[name=keywords]')->content; // 获取网站头部关键词
    
    $ql->find('h3>a')->texts(); //获取搜索结果标题列表
    $ql->find('h3>a')->attrs('href'); //获取搜索结果链接列表
    
    $ql->find('img')->src; //获取第一张图片的链接地址
    $ql->find('img:eq(1)')->src; //获取第二张图片的链接地址
    $ql->find('img')->eq(2)->src; //获取第三张图片的链接地址
    // 遍历所有图片
    $ql->find('img')->map(function($img){
        echo $img->alt;  //打印图片的alt属性
    });

    更多用法

    $ql->find('#head')->append('<div>追加内容</div>')->find('div')->htmls();
    $ql->find('.two')->children('img')->attrs('alt'); //获取class为two元素下的所有img孩子节点
    //遍历class为two元素下的所有孩子节点
    $data = $ql->find('.two')->children()->map(function ($item){
        //用is判断节点类型
        if($item->is('a')){
            return $item->text();
        }elseif($item->is('img'))
        {
            return $item->alt;
        }
    });
    
    $ql->find('a')->attr('href', 'newVal')->removeClass('className')->html('newHtml')->...
    $ql->find('div > p')->add('div > ul')->filter(':has(a)')->find('p:first')->nextAll()->andSelf()->...
    $ql->find('div.old')->replaceWith( $ql->find('div.new')->clone())->appendTo('.trash')->prepend('Deleted')->...

    列表采集

    采集百度搜索结果列表的标题和链接:

    $data = QueryList::get('http://www.baidu.com/s?wd=QueryList')
        // 设置采集规则
        ->rules([ 
            'title'=>array('h3','text'),
            'link'=>array('h3>a','href')
        ])
        ->query()->getData();
    
    print_r($data->all());

    采集结果:

    Array
    (
        [0] => Array
            (
                [title] => QueryList|基于phpQuery的无比强大的PHP采集工具
                [link] => http://www.baidu.com/link?url=GU_YbDT2IHk4ns1tjG2I8_vjmH0SCJEAPuuZN
            )
        [1] => Array
            (
                [title] => PHP 用QueryList抓取网页内容 - wb145230 - 博客园
                [link] => http://www.baidu.com/link?url=zn0DXBnrvIF2ibRVW34KcRVFG1_bCdZvqvwIhUqiXaS
            )
        [2] => Array
            (
                [title] => 介绍- QueryList指导文档
                [link] => http://www.baidu.com/link?url=pSypvMovqS4v2sWeQo5fDBJ4EoYhXYi0Lxx
            )
            //...
    )

    编码转换

    // 输出编码:UTF-8,输入编码:GB2312
    QueryList::get('https://top.etao.com')->encoding('UTF-8','GB2312')->find('a')->texts();
    
    // 输出编码:UTF-8,输入编码:自动识别
    QueryList::get('https://top.etao.com')->encoding('UTF-8')->find('a')->texts();

    HTTP网络操作

    携带cookie登录新浪微博

    //采集新浪微博需要登录才能访问的页面
    $ql = QueryList::get('http://weibo.com','param1=testvalue & params2=somevalue',[
        'headers' => [
            //填写从浏览器获取到的cookie
            'Cookie' => 'SINAGLOBAL=546064; wb_cmtLike_2112031=1; wvr=6;....'
        ]
    ]);
    //echo $ql->getHtml();
    echo $ql->find('title')->text();
    //输出: 我的首页 微博-随时随地发现新鲜事

    使用Http代理

    $urlParams = ['param1' => 'testvalue','params2' => 'somevalue'];
    $opts = [
        // 设置http代理
        'proxy' => 'http://222.141.11.17:8118',
        //设置超时时间,单位:秒
        'timeout' => 30,
         // 伪造http头
        'headers' => [
            'Referer' => 'https://querylist.cc/',
            'User-Agent' => 'testing/1.0',
            'Accept'     => 'application/json',
            'X-Foo'      => ['Bar', 'Baz'],
            'Cookie'    => 'abc=111;xxx=222'
        ]
    ];
    $ql->get('http://httpbin.org/get',$urlParams,$opts);
    // echo $ql->getHtml();

    模拟登录

    // 用post登录
    $ql = QueryList::post('http://xxxx.com/login',[
        'username' => 'admin',
        'password' => '123456'
    ])->get('http://xxx.com/admin');
    //采集需要登录才能访问的页面
    $ql->get('http://xxx.com/admin/page');
    //echo $ql->getHtml();

    Form表单操作

    模拟登陆GitHub

    // 获取QueryList实例
    $ql = QueryList::getInstance();
    //获取到登录表单
    $form = $ql->get('https://github.com/login')->find('form');
    
    //填写GitHub用户名和密码
    $form->find('input[name=login]')->val('your github username or email');
    $form->find('input[name=password]')->val('your github password');
    
    //序列化表单数据
    $fromData = $form->serializeArray();
    $postData = [];
    foreach ($fromData as $item) {
        $postData[$item['name']] = $item['value'];
    }
    
    //提交登录表单
    $actionUrl = 'https://github.com'.$form->attr('action');
    $ql->post($actionUrl,$postData);
    //判断登录是否成功
    // echo $ql->getHtml();
    $userName = $ql->find('.header-nav-current-user>.css-truncate-target')->text();
    if($userName)
    {
        echo '登录成功!欢迎你:'.$userName;
    }else{
        echo '登录失败!';
    }

    Bind功能扩展

    自定义扩展一个myHttp方法:

    $ql = QueryList::getInstance();
    
    //绑定一个myHttp方法到QueryList对象
    $ql->bind('myHttp',function ($url){
        $html = file_get_contents($url);
        $this->setHtml($html);
        return $this;
    });
    
    //然后就可以通过注册的名字来调用
    $data = $ql->myHttp('https://toutiao.io')->find('h3 a')->texts();
    print_r($data->all());

    或者把实现体封装到class,然后这样绑定:

    $ql->bind('myHttp',function ($url){
        return new MyHttp($this,$url);
    });

    插件使用

    使用CURL多线程插件,多线程采集GitHub排行榜:

    $ql = QueryList::use(CurlMulti::class);
    $ql->curlMulti([
        'https://github.com/trending/php',
        'https://github.com/trending/go',
        //.....more urls
    ])
     // 每个任务成功完成调用此回调
     ->success(function (QueryList $ql,CurlMulti $curl,$r){
        echo "Current url:{$r['info']['url']} \r\n";
        $data = $ql->find('h3 a')->texts();
        print_r($data->all());
    })
     // 每个任务失败回调
    ->error(function ($errorInfo,CurlMulti $curl){
        echo "Current url:{$errorInfo['info']['url']} \r\n";
        print_r($errorInfo['error']);
    })
    ->start([
        // 最大并发数
        'maxThread' => 10,
        // 错误重试次数
        'maxTry' => 3,
    ]);

    更多详细请查看GitHub:https://github.com/jae-jae/QueryList

    推荐学习:《PHP视频教程

    以上就是浅析怎么使用PHP做异步爬取数据的详细内容,更多请关注php中文网其它相关文章!

    声明:本文转载于:PHP自学中心,如有侵犯,请联系admin@php.cn删除
    专题推荐:php 网络爬虫
    上一篇:PHP8.3要有新函数了!(json_validate函数说明) 下一篇:自己动手写 PHP MVC 框架(40节精讲/巨细/新人进阶必看)

    相关文章推荐

    • php怎么比较数组值的不同• PHP8.3要有新函数了!(json_validate函数说明)• php三维数组是什么意思• php求数组平均值的函数是什么• php怎么用循环对所有数组元素求和
    1/1

    PHP中文网