PHP适合快速抓取无反爬的静态页面，file_get_contents()最轻量但功能有限，curl_init()更灵活且能应对基础反爬，DOMDocument解析HTML需注意兼容性问题，简单需求优先用curl+json_decode()。
PHP 不适合写通用爬虫，但能快速抓取结构简单、无反爬的页面——前提是别碰 JavaScript 渲染内容、别高频请求、别绕过 robots.txt。
用 file_get_contents() 抓纯 HTML 页面
这是最轻量的方式，适合静态页面、内网接口或测试环境。它不支持设置 User-Agent、不自动处理重定向、无法控制超时精度，但胜在代码少、无依赖。
- 必须手动加
stream_context_create()才能设超时和 headers，否则默认 60 秒且无 UA，容易被拒绝 - 遇到 302 跳转会直接失败，返回空或警告，得自己解析
Location头再发一次请求 - 如果目标页用了 gzip 压缩，
file_get_contents()默认不解压，需开启zlib扩展并配置stream_context的http[encoding]
示例：
$opts = ['http' => ['method' => 'GET', 'header' => "User-Agent: PHP-curl/1.0\r\n", 'timeout' => 5]];
$content = file_get_contents('https://example.com', false, stream_context_create($opts));
用 curl_init() 处理常见反爬基础项
比 file_get_contents() 灵活得多，是 PHP 爬虫的实际起点。重点不是“能不能发请求”，而是“能不能像浏览器一样被接受”。
- 必须显式设置
CURLOPT_USERAGENT，否则多数站点返回 403 -
CURLOPT_FOLLOWLOCATION要配合CURLOPT_MAXREDIRS使用，不然重定向环会卡死 - 开启
CURLOPT_RETURNTRANSFER，否则结果直接输出到页面，没法解析 - HTTPS 页面若报
SSL certificate problem，不是去关证书验证（CURLOPT_SSL_VERIFYPEER=false），而是检查系统 CA 证书路径是否正确（用CURLOPT_CAINFO指向curl-ca-bundle.crt）
用 DOMDocument 解析 HTML 容易崩在哪
它不是为现代网页设计的：对自闭合标签（如 <img alt="怎么用PHP写爬虫_PHP爬虫入门简单实现方法【教程】" >）、未闭合标签（如 <p>xxx</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill5233" title="btpanel phpsite 宝塔面板PHP网站"><img
src="https://img.php.cn/upload/skill/000/000/081/179040786932301.jpg" alt="btpanel phpsite 宝塔面板PHP网站" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill5233" title="btpanel phpsite 宝塔面板PHP网站">btpanel phpsite 宝塔面板PHP网站</a>
<p>宝塔面板 PHP 网站管理：站点创建、删除、启停、PHP 版本切换、域名管理、SSL证书管理、伪静态管理、数据库管理</p>
</div>
<a href="/xiazai/skill5233" title="btpanel phpsite 宝塔面板PHP网站" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div>
<p>yyy</p>）、HTML5 标签（<section></section>）容忍度低，一解析就报 warning 或结构错乱。
立即学习“PHP免费学习笔记（深入）”；
- 务必先用
libxml_use_internal_errors(true)屏蔽警告，否则解析失败还看不到错误原因 - 加载前建议用
mb_convert_encoding()统一转成 UTF-8，否则中文乱码导致getElementsByTagName()匹配不到 - 不要依赖
saveHTML()输出“干净 HTML”——它会重写整个文档结构，class 顺序可能变、空格被删、甚至把<div></div>改成<div></div>
为什么不用 simple_html_dom 或 phpQuery
它们封装了 DOM 操作，写起来像 jQuery，但底层还是调 DOMDocument，性能更差、内存占用高、PHP 8+ 兼容性问题多。一个 2MB 的 HTML 页面，simple_html_dom 可能吃掉 200MB 内存，而原生 DOMDocument + XPath 控制好加载选项只要 30MB。
-
simple_html_dom不支持命名空间，遇到 XML-like HTML（比如含xmlns）直接解析失败 - 所有基于字符串正则解析 HTML 的做法（比如
preg_match_all('/<title>(.*?)/i')</title>）在遇到换行、属性值含、CDATA 段时必然翻车 - 真正要选第三方库，
symfony/dom-crawler更稳，但它需要 Composer 和完整 HTTP 客户端配合，已超出“简单实现”范畴
真实项目里，90% 的 PHP 爬虫需求其实只是定时拉几个固定格式的 JSON 接口或 RSS，这时候直接用 curl + json_decode() 就够了——HTML 解析才是那个容易把自己绕进去的坑。
