采集列表

学习如何批量采集数据。


用法

上一章节的实战部分有讲解到采集IT之家的文章页，代码如下：

  1. use QL\QueryList;
  3. $ql = QueryList::get('https://www.ithome.com/html/discovery/358585.htm');
  5. $rt = [];
  6. // 采集文章标题
  7. $rt['title'] = $ql->find('h1')->text();
  8. // 采集文章作者
  9. $rt['author'] = $ql->find('#author_baidu>strong')->text();
  10. // 采集文章内容
  11. $rt['content'] = $ql->find('.post_content')->html();
  13. print_r($rt);

通过这段采集代码相信你已经感受到了QueryList的简洁与优雅，然而上面代码还可以变的更简洁，下面我们来用rules()函数进一步简化代码：

采集代码:

  1. use QL\QueryList;
  3. $url = 'https://www.ithome.com/html/discovery/358585.htm';
  4. // 定义采集规则
  5. $rules = [
  6.     // 采集文章标题
  7.     'title' => ['h1','text'],
  8.     // 采集文章作者
  9.     'author' => ['#author_baidu>strong','text'],
  10.     // 采集文章内容
  11.     'content' => ['.post_content','html']
  12. ];
  13. $rt = QueryList::get($url)->rules($rules)->query()->getData();
  15. print_r($rt->all());

采集结果:

  1. Array
  2. (
  3.     [0] => Array
  4.         (
  5.             [title] => 巴基斯坦一城镇温度达50.2度：创下全球4月历史温度新高
  6.             [author] => 白猫
  7.             [content] => <p><a class="s_tag" href="https://www.ithome.com/" target="_blank">IT之家</a>5月6日消息 4月份就遇到超过50度的极端天气显然是不可想象的，不过这的的确确发生在我们的周围，目前在巴基斯坦的一个城镇，有气象观测站显示该地的温度最高达到50.2度，打破了全球有记录以来的四月最高温。</p>
  8. <p><img src="//img.ithome.com/images/v2/t.png" w="600" h="400" class="lazy" title="巴基斯坦一城镇温度达50.2度：创下全球4月历史温度新高" data-original="https://img.ithome.com/newsuploadfiles/2018/3/20180323_103720_572.png" width="600" height="400"></p>
  9. <p>根据天空新闻的报道，在位于巴基斯坦南部的纳瓦布沙在周一（4月30日）的时候出现了高达50.2度的气温，气象学家表示这或许是人类有史以来遇到的四月份最高的温度。</p>
  10. <p>法国气象局的气象学家卡比奇安在推特上表示，巴基斯坦的这个小城镇不但是有史以来亚洲遇到的最高的四月气温，更有可能是全球四月的最高温，而也有网友表示由于过于炎热的天气，当地已经有不少人因为中暑而丧命。</p>
  11. <p>全球极端天气专家克里斯托弗伯特也表示，四月份就达到50摄氏度极其罕见，纳瓦布沙的温度或将是人类有史以来遇到的温度最高的四月。农业学家表示巴基斯坦过高的温度会严重影响未来粮食的收割。</p>
  12.         )
  14. )

$rules规则解释如下:

  1. $rules = [
  2.     '规则名1' => ['选择器1','元素属性'],
  3.     '规则名2' => ['选择器2','元素属性'],
  4.     // ...
  5. ];

采集结果与前面的代码完全相同，注意这里的采集结果是一个二维数组。


queryData() 语法糖

可能你会觉的列表采集的语法有一点点繁琐，如:

  1. $rt = QueryList::get($url)->rules($rules)->query()->getData();
  2. print_r($rt->all());

QueryList V4.0.4版本新增了一个queryData()语法糖来简化这种操作:

  1. $rt = QueryList::get($url)->rules($rules)->queryData();
  2. print_r($rt);

queryData()方法等同于query()->getData()->all() 。

{primary} QueryList之所以这样设计，是为了方便在各个环节挂载插件，如:query()->downloadImage()->getData(),获取数据之前 ，先用保存图片的插件把图片下载到本地并替换图片路径为本地路径。



列表采集

前面只说到采集文章页内容，通常情况下我们会先采集列表页，然后再循环采集列表中的每篇文章，采集列表需要用到range()函数来配合rules()函数。

img

如图我们要采集IT之家的文章列表，我标记了不同的颜色来分解页面元素：

  • 蓝色区域：我们要采集的整个列表
  • 红色区域：列表中的每一条文章
  • 黄色区域：我们要采集的每条文章的元信息，标题、文章链接、简介以及缩略图
    首先要分析出红色区域的选择器，我们称之为切片选择器或范围选择器，也就是range 。

img

如图，利用浏览器的开发者工具可以很容易分析出切片选择器为：.ulcl>li,然后我们需要在这每个切片区域中去采集文章的标题、文章链接、简介以及缩略图，利用同样的方式分析出每个元素的选择器，这里不再赘述，最终列表采集代码为：

采集代码:

  1. use QL\QueryList;
  3. $url = 'https://it.ithome.com/ityejie/';
  4. // 元数据采集规则
  5. $rules = [
  6. ​    // 采集文章标题
  7. ​    'title' => ['h2>a','text'],
  8. ​    // 采集链接
  9. ​    'link' => ['h2>a','href'],
  10. ​    // 采集缩略图
  11. ​    'img' => ['.list_thumbnail>img','src'],
  12. ​    // 采集文档简介
  13. ​    'desc' => ['.memo','text']
  14. ];
  15. // 切片选择器
  16. $range = '.ulcl';
  17. $rt = QueryList::get($url)->rules($rules)
  18. ​        ->range($range)->query()->getData();
  20. print_r($rt->all());

采集结果:

  1. Array
  2. (
  3. ​    [0] => Array
  4. ​        (
  5. ​            [title] =>
  6. ​            [link] =>
  7. ​            [img] =>
  8. ​            [desc] =>
  9. ​        )
  11.     [1] => Array
  12.         (
  13.             [title] => 快讯：iOS版QQ大面积闪退（网友反映已恢复）
  14.             [link] => https://www.ithome.com/html/it/358734.htm
  15.             [img] => //img.ithome.com/images/v2/grey.gif
  16.             [desc] => iOS版QQ大面积闪退，原因未知。目前根据IT之家的网友反映，目前iOS版本的QQ已经恢复，但是近期的消息记录已经消失
  17.         )
  19.     [2] => Array
  20.         (
  21.             [title] => 阿里影业公布截至近15个月业绩：营收33亿元，增幅130%
  22.             [link] => https://www.ithome.com/html/it/358728.htm
  23.             [img] => //img.ithome.com/images/v2/grey.gif
  24.             [desc] =>  阿里影业集团公布截至2018年3月31日的十五个月财务业绩：报告期内公司营业收入达到33.03亿元，较上一年同期十五个月的14.32亿元，增长幅度超130%
  25.         )
  26.     // ....
  27. ）

数据是采集回来了，但我们发现有一点瑕疵，结果里面有一条结果是空的，且文章缩略图链接不正确。

img

如图我们再次分析页面可以得知，第一条切片区域是广告，所以采集的第一条结果为空；而文章列表的缩略图使用了懒加载，所以图片的真正链接在img的data-original属性上，修正后的代码如下：

采集代码:

  1.  use QL\QueryList;
  3. $url = 'https://it.ithome.com/ityejie/';
  4. // 元数据采集规则
  5. $rules = [
  6. ​    // 采集文章标题
  7. ​    'title' => ['h2>a','text'],
  8. ​    // 采集链接
  9. ​    'link' => ['h2>a','href'],
  10. ​    // 采集缩略图，真正的图片链接在data-original属性上
  11. ​    'img' => ['.list_thumbnail>img','data-original'],
  12. ​    // 采集文档简介
  13. ​    'desc' => ['.memo','text']
  14. ];
  15. // 切片选择器,跳过第一条广告
  16. $range = '.ulcl>li:gt(0)';
  17. $rt = QueryList::get($url)->rules($rules)
  18. ​        ->range($range)->query()->getData();
  20. print_r($rt->all());

采集结果:

  1. Array
  2. (
  3.     [0] => Array
  4.         (
  5.             [title] => 快讯：iOS版QQ大面积闪退（网友反映已恢复）
  6.             [link] => https://www.ithome.com/html/it/358734.htm
  7.             [img] => //img.ithome.com/newsuploadfiles/thumbnail/2018/5/358734_240.jpg
  8.             [desc] => iOS版QQ大面积闪退，原因未知。目前根据IT之家的网友反映，目前iOS版本的QQ已经恢复，但是近期的消息记录已经消失
  9.         )
  11.     [1] => Array
  12.         (
  13.             [title] => 阿里影业公布截至近15个月业绩：营收33亿元，增幅130%
  14.             [link] => https://www.ithome.com/html/it/358728.htm
  15.             [img] => //img.ithome.com/newsuploadfiles/thumbnail/2018/5/358728_240.jpg
  16.             [desc] =>  阿里影业集团公布截至2018年3月31日的十五个月财务业绩：报告期内公司营业收入达到33.03亿元，较上一年同期十五个月的14.32亿元，增长幅度超130%
  17.         )
  19.     // ....
  20. )

就这样我们利用QueryList很轻松就采集到了IT之家的文章列表以及文章内容?。


关于方法的调用顺序

get()、rules()和range() 这几个方法都属于QueryList属性设置方法，所以调用顺序可以随意，所以下面这几种写法都是等价的：

  1.  QueryList::get($url)->rules($rules)->range($range)->query()->getData();
  2.  QueryList::rules($rules)->get($url)->range($range)->query()->getData();
  3.  QueryList::range($range)->rules($rules)->get($url)->query()->getData();

根据此特性，这里有些使用的小技巧：

  • 复用采集规则：针对同一个网站的多个结构相同的页面的采集
  1. // 待采集的同一个网站的网页集合
  2. $urls = [
  3.   'http://xxx.com/1.html',
  4.   'http://xxx.com/2.html',
  5.   'http://xxx.com/3.html',
  6.   // ...
  7. ];
  9. // 由于采集的都是同一个网站的网页，所以采集规则是可以复用的
  10. $ql = QueryList::rules([...])->range('...');
  12. foreach ($urls as  $url) {
  13.     $data = $ql->get($url)->query()->getData();
  14.     // ...
  15. }
  • 复用网页：针对同一个页面应用多套采集规则，避免重复抓取页面
  1. $url = 'http://xxx.com/1.html';
  3. // 抓取网页
  4. $ql = QueryList::get($url);
  6. // 应用第一种采集规则
  7. $data1 = $ql->rules([...])->range('...')->query()->getData();
  9. // 应用第二种采集规则
  10. $data2 = $ql->rules([...])->range('...')->query()->getData();