使用簡單的HTML DOM庫進行HTML解析和屏幕刮擦

本教程演示瞭如何使用開源解析器有效地解析HTML，從而避免了正則表達式的複雜性。 我們將以一個例子為例，提取文章標題和描述。 這是出於說明目的；請記住在刮去網站之前始終獲得許可。

---

1. >設置

首先安裝PHP軟件包管理器Composer，以簡化庫安裝。

其他步驟在下面詳細介紹。

>

文檔

綜合文檔可在該項目的官方GitHub存儲庫中獲得。

---

實用應用：刮擦envato tuts
>讓我們創建一個腳本來從Envato Tuts中提取文章標題和描述。 這是一個演示，不應在未經許可的情況下進行。 刮擦可以超載服務器。

核心代碼段：

這包括必要的庫，並初始化一個數組來存儲文章數據。

use voku\helper\HtmlDomParser;
require_once 'vendor/autoload.php';

$articles = [];
getArticles('https://code.tutsplus.com/tutorials');

>函數（稍後定義）獲取並處理網頁。

> getArticles

---

數據提取
腳本的核心提取文章信息：

>通過每個文章元素（

$items = $html->find('article');
foreach($items as $post) {
    $articles[] = [
        /* title */ $post->findOne(".posts__post-title")->firstChild()->text(),
        /* description */ $post->findOne("posts__post-teaser")->text()
    ];
}

）迭代，並使用CSS選擇器提取標題和描述。 每個條目將包含一個標題和描述對。 例如：

<article></article> $articles

$articles[0][0] = "My Article Name Here";
$articles[0][1] = "This is my article description";

---

>處理分頁

6. 要處理多個頁面，我們確定“下一個”頁面鏈接：>

相關的html：

腳本找到了此鏈接，提取屬性，然後遞歸調用

以獲取後續頁面。 至關重要的是，要清除

的對像以防止記憶力耗盡。

<a aria-label="next" class="pagination__button pagination__next-button" href="https://www.php.cn/link/a3cdf7cabc49ea4612b126ae2a30ecbf" rel="next"><i class="fa fa-angle-right"></i></a>

>

---

結論

解析大型網站可能很耗時。 本教程為使用用戶友好的庫提供了HTML解析的基礎。 儘管此庫很方便，但請記住，存在其他方法，例如PHP的內置DOM操縱與XPath的操作。 在刮擦任何網站之前，請始終優先獲取許可。

以上是使用簡單的HTML DOM庫進行HTML解析和屏幕刮擦的詳細內容。更多資訊請關注PHP中文網其他相關文章！