内容过滤

从采集内容中移除掉多余无用内容。


  • 单元素采集场景
  • 列表采集场景
    很多时候我们采集回来的内容中会包含一些"杂质",如果只是想要移除或替换内容中的某些关键词,直接用字符串替换函数就可以轻松解决,但往往实际情况没这么简单,下面就是一个典型的例子:
  1. $html =<<<STR
  2. <div id="content">
  3. <span class="tt">作者:xxx</span>
  4. 这是正文内容段落1.....
  5. <span>这是正文内容段落2</span>
  6. <p>这是正文内容段落3......</p>
  7. <span>这是广告</span>
  8. <p>这是版权声明!</p>
  9. </div>
  10. STR;

如上,正文内容中包含了作者信息广告版权声明等这些无用信息,我们需要从正文内容中过滤掉这些内容,这些内容是变化的,每篇文章都不一样,所以是无法直接用字符串替换函数去除的,QueryList提供了非常简单的去除方式,通过CSS选择器定位需要去除的内容,下面分别通过单元素采集列表采集两种场景来讲解内容过滤。


单元素采集场景

前面的单元素采集篇章中有讲解到find()方法,这个方法返回的是一个Elements对象,这个对象拥有几乎所有与jQuery操作DOM完全相同的API,如果你对jQuery熟悉的话,就知道jQuery有一个remove()方法,用于移除元素,同样Elements对象也拥有这个方法,利用这个方法可以很容易的移除我们不需要的内容:

采集代码:

  1. use QL\QueryList;
  2. $html =<<<STR
  3. <div id="content">
  4. <span class="tt">作者:xxx</span>
  5. 这是正文内容段落1.....
  6. <span>这是正文内容段落2</span>
  7. <p>这是正文内容段落3......</p>
  8. <span>这是广告</span>
  9. <p>这是版权声明!</p>
  10. </div>
  11. STR;
  12. // 采集正文内容
  13. $eles = QueryList::html($html)->find('#content');
  14. // 选择正文内容中要移除的元素,并移除
  15. $eles->find('.tt,span:last,p:last')->remove();
  16. //获取纯净的正文内容
  17. $content = $eles->html();
  18. print_r($content);

采集结果:

  1. 这是正文内容段落1.....
  2. <span>这是正文内容段落2</span>
  3. <p>这是正文内容段落3......</p>



列表采集场景

在前面的列表采集篇章中有讲解到rules()这个方法,它的参数是接收一个二维数组的采集规则,我们前面学到的采集规则形态是下面这样的:

  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. ];

下面是它的另一种形态:

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

内容过滤选择器参数就是用来过滤内容的,同时这种场景下也可以结合find()方法的remove()方法来过滤内容,下面来分别讲解。

第一种方法:使用内容过滤选择器参数

内容过滤选择器参数不光可以定义要移除的内容还可以定义要保留的内容,多个值之间用空格隔开,有如下2条规则:

  • 内容移除规则:选择器名前面添加减号(-),表示移除该标签以及标签内容。
  • 内容保留规则:选择器名前面没有减号(-)(此时选择器只能为HTML标签名,不支持其他选择器),当要采集的[元素属性] 值为text时表示需要保留的HTML标签以及内容,为html时表示要过滤掉的HTML标签但保留内容。
    这2条规则可以混合使用,下面代码用到了内容移除规则:
    采集代码:
  1. use QL\QueryList;
  2. $html =<<<STR
  3. <div id="content">
  4. <span class="tt">作者:xxx</span>
  5. 这是正文内容段落1.....
  6. <span>这是正文内容段落2</span>
  7. <p>这是正文内容段落3......</p>
  8. <span>这是广告</span>
  9. <p>这是版权声明!</p>
  10. </div>
  11. STR;
  12. // 采集规则
  13. $rules = [
  14. //设置了内容过滤选择器
  15. 'content' => ['#content','html','-.tt -span:last -p:last']
  16. ];
  17. $rt = QueryList::rules($rules)->html($html)->query()->getData();
  18. print_r($rt->all());

采集结果:

  1. Array
  2. (
  3. [0] => Array
  4. (
  5. [content] => 这是正文内容段落1.....
  6. <span>这是正文内容段落2</span>
  7. <p>这是正文内容段落3......</p>
  8. )
  9. )

采集结果与前面代码完全相同。

下面顺便演示一下内容保留规则的使用,请仔细观察采集结果来加深理解:

采集代码:

  1. use QL\QueryList;
  2. $html =<<<STR
  3. <div id="content">
  4. <span class="tt">作者:xxx</span>
  5. 这是正文内容段落1.....
  6. <span>这是正文内容段落2</span>
  7. <p>这是正文内容段落3......</p>
  8. <a href="http://querylist.cc">QueryList官网</a>
  9. <span>这是广告</span>
  10. <p>这是版权声明!</p>
  11. </div>
  12. STR;
  13. $rules = [
  14. // 移除内容中所有的超链接,但保留超链接的内容,并移除内容中所有p标签,但保留p标签的内容
  15. 'content_html' => ['#content','html','a p'],
  16. // 保留内容中的超链接,以及保留p标签及内容
  17. 'content_text' => ['#content','text','a p'],
  18. ];
  19. $rt = QueryList::rules($rules)->html($html)->query()->getData();
  20. print_r($rt->all());

采集结果:

  1. Array
  2. (
  3. [0] => Array
  4. (
  5. [content_html] => <span class="tt">作者:xxx</span>
  6. 这是正文内容段落1.....
  7. <span>这是正文内容段落2</span>
  8. 这是正文内容段落3......
  9. QueryList官网
  10. <span>这是广告</span>
  11. 这是版权声明!
  12. [content_text] => 作者:xxx
  13. 这是正文内容段落1.....
  14. 这是正文内容段落2
  15. <p>这是正文内容段落3......</p>
  16. <a href="http://querylist.cc">QueryList官网</a>
  17. 这是广告
  18. <p>这是版权声明!</p>
  19. )
  20. )

第二种方式:结合remove()方法

QueryList的getData()方法接收一个回调函数作为参数,这个回调函数用于遍历采集结果,并对结果进行处理,我们可以利用这个回调函数来过滤内容。

采集代码:

  1. use QL\QueryList;
  2. $html =<<<STR
  3. <div id="content">
  4. <span class="tt">作者:xxx</span>
  5. 这是正文内容段落1.....
  6. <span>这是正文内容段落2</span>
  7. <p>这是正文内容段落3......</p>
  8. <span>这是广告</span>
  9. <p>这是版权声明!</p>
  10. </div>
  11. STR;
  12. $rules = [
  13. 'content' => ['#content','html']
  14. ];
  15. $rt = QueryList::rules($rules)
  16. ->html($html)
  17. ->query()
  18. ->getData(function($item){
  19. $ql = QueryList::html($item['content']);
  20. $ql->find('.tt,span:last,p:last')->remove();
  21. $item['content'] = $ql->find('')->html();
  22. return $item;
  23. });
  24. print_r($rt->all());

采集结果:

  1. Array
  2. (
  3. [0] => Array
  4. (
  5. [content] => 这是正文内容段落1.....
  6. <span>这是正文内容段落2</span>
  7. <p>这是正文内容段落3......</p>
  8. )
  9. )