采集列表
优采云 发布时间: 2020-08-10 15:46采集列表
学习怎么批量采集数据。
列表采集才是QueryList的核心功能,这里主要涉及到两个函数的用法:rules()和range() 。
用法
上一章节的实战部份有讲解到采集IT之家的文章页,代码如下:
use QL\QueryList;
$ql = QueryList::get('https://www.ithome.com/html/discovery/358585.htm');
$rt = [];
// 采集文章标题
$rt['title'] = $ql->find('h1')->text();
// 采集文章作者
$rt['author'] = $ql->find('#author_baidu>strong')->text();
// 采集文章内容
$rt['content'] = $ql->find('.post_content')->html();
print_r($rt);
通过这段采集代码相信你早已感受到了QueryList的简约与高贵,然而里面代码还可以变的更简练,下面我们来用rules()函数进一步简化代码:
采集代码:
use QL\QueryList;
$url = 'https://www.ithome.com/html/discovery/358585.htm';
// 定义采集规则
$rules = [
// 采集文章标题
'title' => ['h1','text'],
// 采集文章作者
'author' => ['#author_baidu>strong','text'],
// 采集文章内容
'content' => ['.post_content','html']
];
$rt = QueryList::get($url)->rules($rules)->query()->getData();
print_r($rt->all());
采集结果:
Array
(
[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
[author] => 白猫
[content] => <p>IT之家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,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。
//img.ithome.com/images/v2/t.png
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。
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。
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>
$rules规则解释如下:
$rules = [
'规则名1' => ['选择器1','元素属性'],
'规则名2' => ['选择器2','元素属性'],
// ...
];
采集结果与上面的代码完全相同,注意这儿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句型有一点点繁杂,如:
$rt = QueryList::get($url)->rules($rules)->query()->getData();
print_r($rt->all());
QueryList V4.0.4版本新增了一个queryData()语法糖来简化这些操作:
$rt = QueryList::get($url)->rules($rules)->queryData();
print_r($rt);
queryData()方法等同于query()->getData()->all() 。
{primary} QueryList之所以这样设计,是为了便捷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整篇文章,采集列表须要用到range()函数来配合rules()函数。
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:
首先要剖析出白色区域的选择器,我们称之为切块选择器或范围选择器,也就是range 。
如图,利用浏览器的开发者工具可以很容易剖析出切块选择器为:.ulcl>li,然后我们须要在这每位切块区域中去采集文章的标题、文章链接、简介以及缩略图,利用同样的方法剖析出每位元素的选择器,这里不再赘言,最终列表采集代码为:
采集代码:
use QL\QueryList;
$url = 'https://it.ithome.com/ityejie/';
// 元数据采集规则
$rules = [
// 采集文章标题
'title' => ['h2>a','text'],
// 采集链接
'link' => ['h2>a','href'],
// 采集缩略图
'img' => ['.list_thumbnail>img','src'],
// 采集文档简介
'desc' => ['.memo','text']
];
// 切片选择器
$range = '.content li';
$rt = QueryList::get($url)->rules($rules)
->range($range)->query()->getData();
print_r($rt->all());
采集结果:
Array
(
[0] => Array
(
[title] =>
[link] =>
=>
[desc] =>
)
[1] => Array
(
[title] => 快讯:iOS版QQ大面积闪退(网友反映已恢复)
[link] => https://www.ithome.com/html/it/358734.htm
[img] => //img.ithome.com/images/v2/grey.gif
[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
)
[2] => Array
(
[title] => 阿里影业公布截至近15个月业绩:营收33亿元,增幅130%
[link] => https://www.ithome.com/html/it/358728.htm
[img] => //img.ithome.com/images/v2/grey.gif
[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%
)
// ....
)
数据是采集回来了,但我们发觉有一点瑕疵,结果上面有一条结果是空的,且文章缩略图链接不正确。
[img]https://blobscdn.gitbook.com/v0/b/gitbook-28427.appspot.com/o/assets%2F-LAmB2ogFw3OY-4SNqia%2F-LBvFoEfWyQfvNZGC5jN%2F-LBvGtAAgikOPK3_2yPg%2FWX20180507-234518.png?alt=media&token=5975c46b-93dc-4b75-81f4-f623a8852929
如图我们再度剖析页面可以获知,第一条切块区域是广告,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:
use QL\QueryList;
$url = 'https://it.ithome.com/ityejie/';
// 元数据采集规则
$rules = [
// 采集文章标题
'title' => ['h2>a','text'],
// 采集链接
'link' => ['h2>a','href'],
// 采集缩略图,真正的图片链接在data-original属性上
'img' => ['.list_thumbnail>img','data-original'],
// 采集文档简介
'desc' => ['.memo','text']
];
// 切片选择器,跳过第一条广告
$range = '.content li:gt(0)';
$rt = QueryList::get($url)->rules($rules)
->range($range)->query()->getData();
print_r($rt->all());
采集结果:
Array
(
[0] => Array
(
[title] => 快讯:iOS版QQ大面积闪退(网友反映已恢复)
[link] => https://www.ithome.com/html/it/358734.htm
[img] => //img.ithome.com/newsuploadfiles/thumbnail/2018/5/358734_240.jpg
[desc] => iOS版QQ大面积闪退,原因未知。目前根据IT之家的网友反映,目前iOS版本的QQ已经恢复,但是近期的消息记录已经消失
)
[1] => Array
(
[title] => 阿里影业公布截至近15个月业绩:营收33亿元,增幅130%
[link] => https://www.ithome.com/html/it/358728.htm
[img] => //img.ithome.com/newsuploadfiles/thumbnail/2018/5/358728_240.jpg
[desc] => 阿里影业集团公布截至2018年3月31日的十五个月财务业绩:报告期内公司营业收入达到33.03亿元,较上一年同期十五个月的14.32亿元,增长幅度超130%
)
// ....
)
就这样我们借助QueryList太轻松就采集到了IT之家的文章列表以及文章内容。
关于技巧的调用次序
get()、rules()和range() 这几个方式都属于QueryList属性设置方式,所以调用次序可以随便,所以下边这几种写法都是等价的:
QueryList::get($url)->rules($rules)->range($range)->query()->getData();
QueryList::rules($rules)->get($url)->range($range)->query()->getData();
QueryList::range($range)->rules($rules)->get($url)->query()->getData();
根据此特点,这里有些使用的小技巧:
// 待采集的同一个网站的网页集合
$urls = [
'http://xxx.com/1.html',
'http://xxx.com/2.html',
'http://xxx.com/3.html',
// ...
];
// 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
$ql = QueryList::rules([...])->range('...');
foreach ($urls as $url) {
$data = $ql->get($url)->query()->getData();
// ...
}