PHP 使用 QueryList 轻松采集 JavaScript 动态渲染页面

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2611 天前的主题，其中的信息可能已经有所发展或是发生改变。

QueryList 使用 jQuery 的方式来做采集，拥有丰富的插件。

下面来演示QueryList使用PhantomJS插件抓取 JS 动态创建的页面内容。

安装

使用 Composer 安装：

安装 QueryList

composer require jaeger/querylist

GitHub: https://github.com/jae-jae/QueryList

安装 PhantomJS 插件

composer require jaeger/querylist-phantomjs

GitHub: https://github.com/jae-jae/QueryList-PhantomJS

下载 PhantomJS 二进制文件

PhantomJS 官网:http://phantomjs.org ，下载对应平台的 PhantomJS 二进制文件。

插件 API

QueryList browser($url,$debug = false,$commandOpt = []):使用浏览器打开连接

使用

以采集「今日头条」手机版为例，「今日头条」手机版基于 React 框架，内容是纯动态渲染出来的。

下面演示QueryList的 PhantomJs 插件用法:

安装插件

use QL\QueryList;
use QL\Ext\PhantomJs;

$ql = QueryList::getInstance();
// 安装时需要设置 PhantomJS 二进制文件路径
$ql->use(PhantomJs::class,'/usr/local/bin/phantomjs');
//or Custom function name
$ql->use(PhantomJs::class,'/usr/local/bin/phantomjs','browser');

Example-1

获取动态渲染的 HTML:

$html = $ql->browser('https://m.toutiao.com')->getHtml();
print_r($html);

获取所有 p 标签文本内容:

$data = $ql->browser('https://m.toutiao.com')->find('p')->texts();
print_r($data->all());

输出:

Array
(
    [0] => 自拍模式开启！国庆假期我和国旗合个影
    [1] => 你旅途已开始 他们仍在自己的岗位上为你的假期保驾护航
    [2] => 喜极而泣，都教授终于回到地球了！
    //....
)

使用 http 代理:


// 更多选项可以查看文档: http://phantomjs.org/api/command-line.html
$ql->browser('https://m.toutiao.com',true,[
	// 使用 http 代理
	'--proxy' => '192.168.1.42:8080',
    '--proxy-type' => 'http'
])

Example-2

自定义一个复杂的请求：

$data = $ql->browser(function (\JonnyW\PhantomJs\Http\RequestInterface $r){
    $r->setMethod('GET');
    $r->setUrl('https://m.toutiao.com');
    $r->setTimeout(10000); // 10 seconds
    $r->setDelay(3); // 3 seconds
    return $r;
})->find('p')->texts();

print_r($data->all());

开启 debug 模式，并从本地加载 cookie 文件：

$data = $ql->browser(function (\JonnyW\PhantomJs\Http\RequestInterface $r){
    $r->setMethod('GET');
    $r->setUrl('https://m.toutiao.com');
    $r->setTimeout(10000); // 10 seconds
    $r->setDelay(3); // 3 seconds
    return $r;
},true,[
    '--cookies-file' => '/path/to/cookies.txt'
])->rules([
    'title' => ['p','text'],
    'link' => ['a','href']
])->query()->getData();

print_r($data->all());

6 条回复 • 2017-10-03 07:45:11 +08:00