如何使用PHP做异步爬取数据

这篇“如何使用PHP做异步爬取数据”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“如何使用PHP做异步爬取数据”文章吧。

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？

• 做为通用搜索引擎网页收集器。（google,baidu）

• 做垂直搜索引擎.

• 科学研究：在线人类行为，在线社群演化，人类动力学研究，计量社会学，复杂网络，数据挖掘，等领域的实证研究都需要大量数据，网络爬虫是收集相关数据的利器。

• 偷窥，hacking，发垃圾邮件…

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：

• 拥有与jQuery完全相同的CSS3 DOM选择器

• 拥有与jQuery完全相同的DOM操作API

• 拥有通用的列表采集方案

• 拥有强大的HTTP请求套件，轻松实现如：模拟登陆、伪造浏览器、HTTP代理等意复杂的网络请求

• 拥有乱码解决方案

• 拥有强大的内容过滤功能，可使用jQuey选择器来过滤内容

• 拥有高度的模块化设计，扩展性强

• 拥有富有表现力的API

• 拥有高质量文档

• 拥有丰富的插件

• 拥有专业的问答社区和交流群

通过插件可以轻松实现诸如：

• 多线程采集

• 图片本地化

• 模拟浏览器行为，如：提交Form表单

• 网络爬虫

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。 

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('class="lazy" data-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('h4>a')->texts(); //获取搜索结果标题列表$ql->find('h4>a')->attrs('href'); //获取搜索结果链接列表$ql->find('img')->class="lazy" data-src; //获取第一张图片的链接地址$ql->find('img:eq(1)')->class="lazy" data-src; //获取第二张图片的链接地址$ql->find('img')->eq(2)->class="lazy" data-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:

$data = QueryList::get('http://www.baidu.com/s?wd=QueryList')    // 设置采集规则    ->rules([         'title'=>array('h4','text'),        'link'=>array('h4>a','href')    ])    ->query()->getData();print_r($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:GB2312QueryList::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 = $ql->myHttp('https://toutiao.io')->find('h4 a')->texts();print_r($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 = $ql->find('h4 a')->texts();    print_r($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,]);

以上就是关于“如何使用PHP做异步爬取数据”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注编程网行业资讯频道。