QueryList rules(array $rules)


  • 设置采集规则

  • 采集规则格式

  1. //采集规则
  2. $rules = array(
  3.    '规则名' => array('jQuery选择器','要采集的属性'[,"标签过滤列表"][,"回调函数"]),
  4.    '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"]),
  5.     ..........
  6. );
  8. //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

  1. //采集规则
  2. $rules = [
  3.     //采集img标签的src属性，也就是采集页面中的图片链接
  4.     'name1' => ['img','src'],
  5.     //采集class为content的div的纯文本内容，
  6.     //并移除内容中的a标签内容，移除id为footer标签的内容，保留img标签
  7.     'name2' => ['div.content','text','-a -#footer img'],
  8.     //采集第二个div的html内容，并在内容中追加了一些自定义内容
  9.     'name3' => ['div:eq(1)','html','',function($content){
  10.         $content += 'some str...';
  11.         return $content;
  12.     }]
  13. ];

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3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
  • [HTML标签属性]: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

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：
  1. <div class="article">
  2.     这是中文内容，<a href="http://querylist.cc">这里有个链接</a>
  3.     <div class="ad1">
  4.         这里有一段广告
  5.     </div>
  6.     <div class="ad2">
  7.         这里还有一段广告
  8.     </div>
  9. </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:

  1. //采集规则
  2. $rules = [
  3.     'content' => ['.article','html','-.ad1 -.ad2']
  4. ];

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:

  1. 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:

  1. 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:

  1. 这是中文内容，这里有个链接

用法

  1. $html=<<<STR
  2. <div class="content">
  3.     <div>
  4.         <a href="https://querylist.cc/1.html">这是链接一</a>
  5.         <span>这是文字一</span>
  6.     </div>
  8.     <div>
  9.         <a href="https://querylist.cc/2.html">这是链接二</a>
  10.         <span>这是文字二</span>
  11.     </div>
  13.     <div>
  14.         <a href="https://querylist.cc/1.html">这是链接三</a>
  15.         <span>这是文字三</span>
  16.     </div>
  17. </div>
  18. STR;
  20. //采集规则
  21. $rules = [
  22.     //采集a标签的href属性
  23.     'link' => ['a','href'],
  24.     //采集a标签的text文本
  25.     'link_text' => ['a','text'],
  26.     //采集span标签的text文本
  27.     'txt' => ['span','text']
  28. ];
  30. $ql = QueryList::html($html)->rules($rules)->query();
  31. $data = $ql->getData();
  32. print_r($data->all());

采集结果:

  1. Array
  2. (
  3.     [0] => Array
  4.         (
  5.             [link] => https://querylist.cc/1.html
  6.             [link_text] => 这是链接一
  7.             [txt] => 这是文字一
  8.         )
  10.     [1] => Array
  11.         (
  12.             [link] => https://querylist.cc/2.html
  13.             [link_text] => 这是链接二
  14.             [txt] => 这是文字二
  15.         )
  17.     [2] => Array
  18.         (
  19.             [link] => https://querylist.cc/1.html
  20.             [link_text] => 这是链接三
  21.             [txt] => 这是文字三
  22.         )
  24. )