网页数据采集：精准定位分页链接

本文探讨如何从网页HTML代码中高效提取分页链接。 我们将分析一个包含分页链接的HTML片段，并演示如何使用QueryList库在PHP中进行网页数据采集，解决页面链接匹配问题。

假设HTML结构如下：

<div class="page">
    共8页: 
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">上一页</a>
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">1</a>
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">2</a>
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">3</a>
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">4</a>
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">5</a>
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">6</a>
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">7</a>
    <a href="https://www.php.cn/link/601c6bc71c7480010b164805579ad343">8</a>
    下一页
</div>

初始代码尝试使用QueryList::range('.pagebox>a') 选择目标元素，但由于HTML中不存在pagebox类，导致选择器失效。

为了正确提取所有页码链接，我们需要修改选择器，直接选择.page下的所有标签。

改进后的PHP代码如下：

<?php $rules = [
    'url' => ['a', 'href']
];

$list = QueryList::get($url, null, [
    'headers' => [
        'User-Agent' => 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36',
        'Accept-Encoding' => 'gzip, deflate, br',
    ]
])->rules($rules)
->range('.page a') // 修正后的选择器
->queryData();

var_dump($list);
?>

通过将选择器修改为'.page a'，我们精准地选中了div.page下的所有标签，从而成功提取所有页码对应的href链接。 这有效解决了页面链接匹配问题，确保了数据采集的准确性。