HTML -Parsing und Bildschirmkratzen mit der einfachen HTML -DOM -Bibliothek

Dieses Tutorial zeigt, wie HTML mit einem Open-Source-Parser effizient analysiert werden kann, wodurch die Komplexität regulärer Ausdrücke vermieden wird. Wir werden als Beispiel Umwelt -Tuts kratzen und Artikel Titel und Beschreibungen extrahieren. Dies ist für veranschaulichende Zwecke; Denken Sie daran, immer die Erlaubnis zu erhalten, bevor Sie eine Website abkratzen.

---

1. Setup

Beginnen Sie mit dem Installieren von Composer, einem PHP -Paket -Manager, um die Installation der Bibliothek zu vereinfachen.

Weitere Schritte sind unten detailliert.

Dokumentation

umfassende Dokumentation finden Sie im offiziellen Github -Repository des Projekts.

---

3. Praktische Anwendung: Scraping Envato Tuts

Erstellen wir ein Skript zum Extrahieren von Artikeltiteln und -beschreibungen aus Envato -Tuts. Dies ist eine Demonstration und sollte nicht ohne Erlaubnis durchgeführt werden. Scraping kann Server überlasten.

Der Kerncode -Snippet:

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

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

Dies umfasst die erforderliche Bibliothek und initialisiert ein Array, um Artikeldaten zu speichern. Die getArticles -Funktion (später definiert) betet und verarbeitet die Webseite.

---

5. Datenextraktion

Das Herz des Skripts extrahiert Artikelinformationen:

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

Dies iteriert jedes Artikelelement (<article>) und extrahiert den Titel und die Beschreibung mit CSS -Selektoren. Jeder $articles Eintrag enthält ein Titel- und Beschreibungspaar. Zum Beispiel:

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

---

6. Handling Pagination

Um mehrere Seiten umzugehen, identifizieren wir den "nächsten" Seiten -Link:

Die relevante 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>

Das Skript findet diesen Link, extrahiert das Attribut href und ruft rekursiv getArticles() für nachfolgende Seiten auf. Entscheidend ist, dass das $html -Objekt gelöscht wird, um die Erschöpfung der Speicher zu verhindern.

---

Schlussfolgerung

Parsen große Websites können zeitaufwändig sein. Dieses Tutorial bietet eine Grundlage für die HTML-Parsen mithilfe einer benutzerfreundlichen Bibliothek. Obwohl diese Bibliothek bequem ist, denken Sie daran, dass andere Methoden, wie beispielsweise die integrierte DOM-Manipulation von PHP mit XPath, existieren. Priorisieren Sie immer die Erlangung der Erlaubnis, bevor Sie eine Website abkratzen.

Das obige ist der detaillierte Inhalt vonHTML -Parsing und Bildschirmkratzen mit der einfachen HTML -DOM -Bibliothek. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!