DomCrawler 解析不规范 HTML 抽取正文内容实战【爬虫技巧】

老涛大大_1769

老涛大大_1769

2026-07-11

615人浏览

原创

DomCrawler的extractText()返回空或乱码,因其仅扁平拼接所有文本节点,不跳过script/style、不处理语义与换行;需先用html()确认原始HTML含目标内容,再filter定位正文区域,对JS渲染内容则需改用Puppeteer等方案。

domcrawler 解析不规范 html 抽取正文内容实战【爬虫技巧】

为什么 DomCrawler 对某些页面 extractText() 返回空或乱码?

不是 DOM 解析失败,而是 extractText() 本身只做“扁平化拼接”,不理解语义、不跳过 script/style、不处理换行缩进——它把所有文本节点原样缝起来,包括隐藏的、注释里的、JS 注入前的占位符。

常见现象:抓到一堆空白符、重复标题、页脚版权、甚至内联 JS 变量值。这不是 bug,是设计如此。

  • 先用 $crawler->html() 确认原始 HTML 确实含目标正文(别信 Elements 面板)
  • 若正文被包裹在
    里,优先 $crawler->filter('.content')->extractText(),而非全文调用
  • 遇到富文本编辑器生成的 HTML(如 CKEditor、TinyMCE),
    和

    混用、空标签泛滥,extractText() 会把换行压成一团;此时改用 textContent + 自定义清理更可控
  • 用 XPath 定位正文区域比 CSS 选择器更稳

    CSS 选择器在不规范 HTML 下极易失效:class 名动态生成、嵌套层级错乱、属性值含空格或特殊字符(如 class="article-content js-loaded"),.article-content 就匹配不到。

    XPath 的 contains() 和 normalize-space() 天然适配这类场景:

    DeepBI DHTML 页面生成器
    DeepBI DHTML 页面生成器

    生成可在 deepbi 沙箱 iframe 内运行或作为独立文件运行的交互式 HTML 页面,使用 `window.deepbi` JS SDK 实现数据查询、空间管理、文件浏览及用户操作。当用户提出以下需求时启用该能力: - 创建 KPI 仪表盘、数据表格、文件浏览器、成员列表、管理页面; - 明确要求“转成 dhtml”、“转译成 HTML”、“把 XX 页面转成……”、“控制台页面”、“管理后台”、“DeepBI 页面迁移”; - 提及位于 `apps/console/src/featur

    下载
    $crawler->filterXPath('//main//article | //div[contains(@class, "post-body") or contains(@id, "content")]')->extractText();
    • 用 | 合并多个可能结构,避免单点失效
    • normalize-space() 在 XPath 表达式里写不了,但可在 PHP 层对结果调用 trim(preg_replace('/\s+/', ' ', $text))
    • 别依赖 :nth-of-type(1) 这类伪类——DomCrawler 不支持,必须转成 XPath:[1]

    如何安全跳过广告、侧栏、导航栏等干扰块?

    不规范 HTML 常把广告代码直接塞进正文容器里,靠 class 名过滤容易误杀。更可靠的做法是:按视觉权重剔除低信息密度区块。

    • 统计每个
      子节点的文本长度,剔除 textLength 5 的“高噪低文”节点(典型广告位)
    • 用 $crawler->filter('script, style, nav, header, footer, aside') 先移除明确无关节点:$crawler->reduce(function ($node) { return !$node->matches('script, style'); })
    • 若目标正文集中在某段连续

      中,用 $crawler->filter('p')->each(function ($p) { return strlen($p->text()) > 50 ? $p->text() : null; }) 过滤短段落
    • DOM 加载后仍取不到内容?检查是否是 JS 渲染注入

      DomCrawler 解析的是服务端返回的原始 HTML,不是浏览器最终渲染结果。如果正文由 JS 动态插入(如 React/Vue SSR 后 hydrate、或 AJAX load),$crawler->html() 里根本不存在那段文字。

      • 打开 Chrome DevTools → Network → 刷新页面 → 找 XHR/Fetch 请求,看是否有独立接口返回正文 JSON 或 HTML 片段
      • 若存在,直接用 Guzzle 请求那个接口,再用 DomCrawler 解析返回体,绕过前端 JS
      • 若无独立接口,且必须执行 JS,DomCrawler 无法胜任——此时该换 Puppeteer 或 Playwright,PHP 生态没轻量级替代方案

      真正麻烦的从来不是怎么写 selector,而是得花时间确认:这段文字,到底是在哪一层吐出来的。

前端入门到VUE实战笔记:立即使用
在学习笔记中,你将探索 前端 的入门与实战技巧!

相关专题

更多
php文件怎么打开
php文件怎么打开

打开php文件步骤:1、选择文本编辑器;2、在选择的文本编辑器中,创建一个新的文件,并将其保存为.php文件;3、在创建的PHP文件中,编写PHP代码;4、要在本地计算机上运行PHP文件,需要设置一个服务器环境;5、安装服务器环境后,需要将PHP文件放入服务器目录中;6、一旦将PHP文件放入服务器目录中,就可以通过浏览器来运行它。

2023.09.01

13104

6

php怎么取出数组的前几个元素
php怎么取出数组的前几个元素

取出php数组的前几个元素的方法有使用array_slice()函数、使用array_splice()函数、使用循环遍历、使用array_slice()函数和array_values()函数等。本专题为大家提供php数组相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.11

7501

5

php反序列化失败怎么办
php反序列化失败怎么办

php反序列化失败的解决办法检查序列化数据。检查类定义、检查错误日志、更新PHP版本和应用安全措施等。本专题为大家提供php反序列化相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.11

2275

5

php怎么连接mssql数据库
php怎么连接mssql数据库

连接方法:1、通过mssql_系列函数;2、通过sqlsrv_系列函数;3、通过odbc方式连接;4、通过PDO方式;5、通过COM方式连接。想了解php怎么连接mssql数据库的详细内容,可以访问下面的文章。

2023.10.23

4748

4

php连接mssql数据库的方法
php连接mssql数据库的方法

php连接mssql数据库的方法有使用PHP的MSSQL扩展、使用PDO等。想了解更多php连接mssql数据库相关内容,可以阅读本专题下面的文章。

2023.10.23

5454

6

html怎么上传
html怎么上传

html通过使用HTML表单、JavaScript和PHP上传。更多关于html的问题详细请看本专题下面的文章。php中文网欢迎大家前来学习。

2023.11.03

4291

9

PHP出现乱码怎么解决
PHP出现乱码怎么解决

PHP出现乱码可以通过修改PHP文件头部的字符编码设置、检查PHP文件的编码格式、检查数据库连接设置和检查HTML页面的字符编码设置来解决。更多关于php乱码的问题详情请看本专题下面的文章。php中文网欢迎大家前来学习。

2023.11.09

6237

8

php文件怎么在手机上打开
php文件怎么在手机上打开

php文件在手机上打开需要在手机上搭建一个能够运行php的服务器环境,并将php文件上传到服务器上。再在手机上的浏览器中输入服务器的IP地址或域名,加上php文件的路径,即可打开php文件并查看其内容。更多关于php相关问题,详情请看本专题下面的文章。php中文网欢迎大家前来学习。

2023.11.13

4902

8

sprintf函数用法详解
sprintf函数用法详解

sprintf函数的用法:1、格式化字符串;2、指定输出宽度和精度;3、返回值。更多关于sprintf函数用法详解的内容,大家可以阅读下面的文章。

2023.11.27

12602

4

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程