文章来源于网络收集而来，版权归原创者所有，如有侵权请及时联系！

QueryList rules(array $rules)

发布于 2021-04-06 13:23:43 字数 8247 浏览 1010 评论 0 收藏 0

最后更新日期：2020-04-03

设置采集规则。当没有设置range()时称为多元素采集，设置了range()后称为列表采集。

采集规则格式

//采集规则
$rules = array(
   '规则名' => array('jQuery选择器','要采集的属性'[,"标签过滤列表"][,"回调函数"]),
   '规则名2' => array('jQuery选择器','要采集的属性'[,"标签过滤列表"][,"回调函数"]),
    ..........
);

//注:方括号括起来的参数可选

规则解释

字段	类型	必填	注释
规则名	string	是	任意不重复字符串
jQuery选择器	string	是	要选择的元素选择器
要采集的属性	string	是	任意html元素属性
标签过滤列表	string	否	设置要过滤的内容
回调函数	Closure	否	用于对数据做额外处理

例子

//采集规则
$rules = [
    //采集img标签的src属性，也就是采集页面中的图片链接
    'name1' => ['img','attr(src)'],
    // 等价于 attr(src)
    'name1_1' => ['img','src'],
    //采集class为content的div的纯文本内容，
    //并移除内容中的a标签内容，移除id为footer标签的内容，保留img标签
    'name2' => ['div.content','text','-a -#footer img'],
    //采集第二个div的html内容，并在内容中追加了一些自定义内容
    'name3' => ['div:eq(1)','html','',function($content){
        $content += 'some str...';
        return $content;
    }]
];

规则字段解释

下面单独解释几个复杂的字段。

1.要采集的属性

值为以下几种:

text:返回当前选中标签下面的纯文本
html:返回当前选中标签下面的html片段
htmlOuter:返回当前选中的标签的外部html片段 (V4.2.0新增)
texts:返回当前选中的多个标签下面的纯文本 (V4.2.0新增)
htmls:返回当前选中的多个标签下面的html片段 (V4.2.0新增)
htmlOuters:返回当前选中的多个标签的外部html片段 (V4.2.0新增)
attr(HTML标签属性): 获取标签属性值，如src、href、name、data-src等任意HTML标签属性名，支持通配符*匹配标签所有属性 (V4.2.5新增)
[HTML标签属性]: 等价于attr(HTML标签属性)
attrs(HTML标签属性): 返回当前选中的多个标签的属性值 (V4.2.5新增)

2.标签过滤列表

设置此选项可用来过滤不想要的内容，多个值之间用空格隔开，有如下2条规则:

当标签名前面添加减号(-)时（此时标签可以为任意的jQuery选择器），表示移除该标签以及标签内容。
当标签名前面没有减号(-)时，当 [要采集的属性] 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。

例子

如下面这段html：

<div class="article">
    这是中文内容，<a href="http://querylist.cc">这里有个链接</a>
    <div class="ad1">
        这里有一段广告
    </div>
    <div class="ad2">
        这里还有一段广告
    </div>
</div>

获取class为article的元素内部内容，但是不想要那几段广告文字,那么此时就可以设置采集规则为:

//采集规则
$rules = [
    'content' => ['.article','html','-.ad1 -.ad2']
];

意思就是：采集class为article的元素内部的html内容，并去掉class为ad1和class为ad2的元素内容。

现在获取到的内容就为:

这是中文内容，<a href="http://querylist.cc">这里有个链接</a>

实际采集中我们一般并不想采集别人的外链，想去掉内容中的链接，此时如果过滤器改为-.ad1 -.ad2 -a,采集到的内容就为:

这是中文内容，

链接是去掉了，但实际上我们是想保存链接文字内容的，所以过滤器应该改为:-.ad1 -.ad2 a,这样采集到的内容就为:

这是中文内容，这里有个链接

用法

例一

$html=<<<STR
<div class="content">
    <div>
        <a href="https://querylist.cc/1.html">这是链接一</a>
        <span>这是文字一</span>
    </div>

    <div>
        <a href="https://querylist.cc/2.html">这是链接二</a>
        <span>这是文字二</span>
    </div>

    <div>
        <a href="https://querylist.cc/1.html">这是链接三</a>
        <span>这是文字三</span>
    </div>
</div>
STR;

//采集规则
$rules = [
    //采集a标签的href属性
    'link' => ['a','href'],
    //采集a标签的text文本
    'link_text' => ['a','text'],
    //采集span标签的text文本
    'txt' => ['span','text']
];

$ql = QueryList::html($html)
    ->rules($rules)
    ->range('.content>div')
    ->query();
$data = $ql->getData();
print_r($data->all());

采集结果:

Array
(
    [0] => Array
        (
            [link] => https://querylist.cc/1.html
            [link_text] => 这是链接一
            [txt] => 这是文字一
        )

    [1] => Array
        (
            [link] => https://querylist.cc/2.html
            [link_text] => 这是链接二
            [txt] => 这是文字二
        )

    [2] => Array
        (
            [link] => https://querylist.cc/1.html
            [link_text] => 这是链接三
            [txt] => 这是文字三
        )

)

例二（V4.2.0版本）

use QL\QueryList;

$html=<<<STR
<div class="content">
    <div>
        <a href="https://querylist.cc/1.html">这是链接1.0</a>
        <a href="https://querylist.cc/1.html">这是链接1.1</a>
        <span>这是文字1.0</span>
        <span>这是文字1.1</span>
        <span>这是文字1.2</span>
    </div>

    <div>
        <a href="https://querylist.cc/2.html">这是链接二</a>
        <span>这是文字二</span>
    </div>

    <div>
        <a href="https://querylist.cc/1.html">这是链接三</a>
        <span>这是文字三</span>
    </div>
</div>
STR;

//采集规则
$rules = [
    //采集该切片下的所有a标签的href属性
    'links' => ['a','attrs(href)'],
    // 下面写法等价于 attrs(href)
    'links2' => ['a','htmlOuters','',function($arr){
        $links = [];
        foreach ($arr as $item) {
            $links[] = pq($item)->attr('href');
        }
        return $links;
    }],
    //采集该切片下的a标签的外部HTML
    'a_html' => ['a','htmlOuter'],
    //采集该切片下的所有span标签的text文本
    'txt' => ['span','texts']
];

$data = QueryList::html($html)
    ->rules($rules)
    ->range('.content>div')
    ->queryData();
// 释放所有文档内存占用
QueryList::destructDocuments();
print_r($data);

采集结果：

Array
(
    [0] => Array
        (
            [links] => Array
                (
                    [0] => https://querylist.cc/1.html
                    [1] => https://querylist.cc/1.html
                )
            [links2] => Array
                (
                    [0] => https://querylist.cc/1.html
                    [1] => https://querylist.cc/1.html
                )

            [a_html] => <a href="https://querylist.cc/1.html">这是链接1.0</a><a href="https://querylist.cc/1.html">这是链接1.1</a>
            [txt] => Array
                (
                    [0] => 这是文字1.0
                    [1] => 这是文字1.1
                    [2] => 这是文字1.2
                )

        )

    [1] => Array
        (
            [links] => Array
                (
                    [0] => https://querylist.cc/2.html
                )

            [a_html] => <a href="https://querylist.cc/2.html">这是链接二</a>
            [txt] => Array
                (
                    [0] => 这是文字二
                )

        )

    [2] => Array
        (
            [links] => Array
                (
                    [0] => https://querylist.cc/1.html
                )

            [a_html] => <a href="https://querylist.cc/1.html">这是链接三</a>
            [txt] => Array
                (
                    [0] => 这是文字三
                )

        )

)

分享到QQ

分享到微博