使用简单的HTML DOM库进行HTML解析和屏幕刮擦

本教程演示了如何使用开源解析器有效地解析HTML，从而避免了正则表达式的复杂性。 我们将以一个例子为例，提取文章标题和描述。 这是出于说明目的；请记住在刮去网站之前始终获得许可。

---

1. >设置

首先安装PHP软件包管理器Composer，以简化库安装。

其他步骤在下面详细介绍。

>

文档

综合文档可在该项目的官方GitHub存储库中获得。

---

实用应用：刮擦envato tuts
>让我们创建一个脚本来从Envato Tuts中提取文章标题和描述。 这是一个演示，不应在未经许可的情况下进行。 刮擦可以超载服务器。

核心代码段：

这包括必要的库，并初始化一个数组来存储文章数据。

<code class="language-php">use voku\helper\HtmlDomParser;
require_once 'vendor/autoload.php';

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

>函数（稍后定义）获取并处理网页。

> getArticles

---

数据提取
脚本的核心提取文章信息：

>通过每个文章元素（

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

）迭代，并使用CSS选择器提取标题和描述。 每个条目将包含一个标题和描述对。 例如：

<article></article> $articles

<code class="language-php">$articles[0][0] = "My Article Name Here";
$articles[0][1] = "This is my article description";</code>

---

>处理分页

6. 要处理多个页面，我们确定“下一个”页面链接：>

相关的html：

脚本找到了此链接，提取属性，然后递归调用

以获取后续页面。 至关重要的是，要清除

的对象以防止记忆力耗尽。

<code class="language-html"><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></code>

>

---

结论

解析大型网站可能很耗时。 本教程为使用用户友好的库提供了HTML解析的基础。 尽管此库很方便，但请记住，存在其他方法，例如PHP的内置DOM操纵与XPath的操作。 在刮擦任何网站之前，请始终优先获取许可。

以上是使用简单的HTML DOM库进行HTML解析和屏幕刮擦的详细内容。更多信息请关注PHP中文网其他相关文章！