PHP 8抓取页面元素首选Dom\HTMLDocument（8.4+），支持CSS选择器和真实HTML5解析；低版本用DOMDocument需配置libxml选项并启用错误处理，提取时优先XPath或querySelector，注意编码、表格结构及JS渲染限制。
PHP 8 中用 DOM 抓取页面元素，核心是 Dom\HTMLDocument（PHP 8.4+ 推荐）或兼容性更强的 DOMDocument（全版本支持），搭配 DOMXPath 实现精准提取。关键在于：加载方式要匹配 HTML5 解析规则，避免因解析差异导致结构错乱；属性与文本提取需注意节点类型；错误处理必须显式开启。
优先使用 Dom\HTMLDocument（PHP 8.4+）
这是 PHP 官方为现代 HTML5 网页设计的新类，能真实还原浏览器解析行为，规避 DOMDocument::loadHTML() 使用旧 HTML4 规则带来的闭合错位、标签自动补全等问题。
- 从字符串加载：
$doc = Dom\HTMLDocument::createFromString($html); - 从文件加载：
$doc = Dom\HTMLDocument::createFromFile('page.html'); - 直接访问 body 或 head：
$doc->body、$doc->head，无需手动查找 - 获取所有段落：
$ps = $doc->querySelectorAll('p');（支持 CSS 选择器）
兼容写法：DOMDocument + libxml 错误抑制
若仍在 PHP 8.0–8.3 环境，仍可用传统 DOMDocument，但必须处理 HTML 不规范引发的警告，并接受其解析局限性。
- 启用内部错误捕获：
libxml_use_internal_errors(true); - 加载后清空错误：
libxml_clear_errors(); - 禁用自动添加 html/head/body：
$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD); - 避免属性丢失：设置
$dom->recover = true;提高容错率
定位与提取元素的两种可靠方式
不推荐仅靠 getElementsByTagName() 遍历全部节点——效率低且易漏目标。应结合结构特征精准选取。
立即学习“PHP免费学习笔记（深入）”；
-
XPath 查询（最灵活）：创建
$xpath = new DOMXPath($dom);，然后用$xpath->query('//div[@class="content"]//a')提取带 class 的链接 -
CSS 选择器（PHP 8.4+）：用
$doc->querySelector('table#data tr:first-child td')直接按样式规则抓取 - 提取文本内容：用
$node->textContent（含子文本），而非$node->nodeValue（可能含空白或注释） - 读取属性值：用
$node->getAttribute('href')，比直接访问$node->attributes更安全
常见陷阱与应对
很多抓取失败不是代码写错，而是忽略了底层解析机制的细节。
- 中文乱码：确保 HTML 声明编码（如
<meta charset="utf-8">），或加载时指定：$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8')); - 表格嵌套错乱：HTML5 中
<tr>可直接在<table>下，但DOMDocument可能强制插入<tbody>—— 用 XPath 查//table//tr而非//table/tbody/tr - 动态渲染内容：DOM 类只处理静态 HTML，JS 渲染的内容需配合 Puppeteer 或 headless Chrome，PHP 本身无法执行脚本
- HTTPS 请求失败：记得启用 cURL 的 SSL 验证绕过（仅测试环境）：
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
