使用QueryList解析微信文章

╰半夏微凉° 2022-07-12 15:23 204阅读 0赞

**背景：最近工作中需要做一个通过微信文章url抓取微信文章的功能，网页解析使用的是[QueryList][]。将代码实现的逻辑记录一下。**

**具体实现代码如下：**

/**
         * @param $url  微信文章url
         * @return bool
         */
        function spideWx($url){
            if(empty($url)) return false;
            $_host = parse_url($url, PHP_URL_HOST);  //获取主机名
            if($_host !== 'mp.weixin.qq.com') return false;  //不是来自微信文章
    
            $html = file_get_contents($url);
            if(empty($html)) return false;
            $html = str_replace("", "", $html);  //去除微信干扰元素!!!否则乱码
            preg_match("/var msg_cdn_url = \".*\"/", $html, $matches);   //获取微信封面图
            $coverImgUrl = $matches[0];
            $coverImgUrl = substr(explode('var msg_cdn_url = "', $coverImgUrl)[1], 0, -1);
            $rules = array(   //设置QueryList的解析规则
                'content' => array('#js_content', 'html'),  //文章内容
                'title' => array('#activity-name', 'text'),  //文章标题
                'author'=> array('.rich_media_meta_text:eq(1)','text'),  //作者
                'account_name' => array('#js_profile_qrcode .profile_nickname','text'),  //公众号
                'account_en_name' => array('#js_profile_qrcode .profile_meta:eq(0) .profile_meta_value','text'),  //公众号英文标识
            );
            //替换图片链接，解决微信图片防盗链
            $_link = 'http://read.html5.qq.com/image?src=forum&q=5&r=0&imgflag=7&imageUrl=';
            $data = QueryList::Query($html,$rules)->getData();   //执行解析
            $_res = $data[0];  //获取解析结果
            if(empty($_res)) return false;  //解析失败
            $_res['thumb'] = $_link.$coverImgUrl;   //封面图
            $_res['title_crc'] = sprintf("%u", crc32($_res['title']));   //标题crc
            $_res['url_crc'] = sprintf("%u", crc32($url));   //url-crc
            $pattern = '/<img([^>]*)data-src\s*=\s*([\' "])([\s\S]*?)([^>]*)/';    //正则替换内容中的图片链接
            $_res['content'] = preg_replace($pattern, '<img$1src=$2'.$_link.'$3$4', $_res['content']);
    
            return $_res;
        }

[QueryList]: https://doc.querylist.cc/