在laravel中使用Symfony的Crawler组件分析HTML

发布时间：2020-07-07 13:29:28 作者：daweilang
来源：网络阅读：2597

Crawler是英语中爬行动物的意思，读做“哭了” 。。。-_-!

最近在用laravel写一个抓取网页系统，之前使用的是simple_html_dom来对html进行解析，既然使用了laravel自然要用composer工具包来实现功能才显得高大上。。。

题外话，simple_html_dom好像也可以用composer来安装，不过因为代码比较早不支持PSR编码规范，尤其是autoload，也就是Vendor代码结构，github上有个支持PSR规范改进版sunra/php-simple-html-dom-parser应该不是原作者写的。

Crawler全名是DomCrawler，是Symfony框架的组件。令人发指的是DomCrawler的没有中文文档，Symfony也没有翻译该部分，所以使用DomCrawler开发只能一点一点摸索，现将使用过程中的经验总结。

首先是安装

composer require symfony/dom-crawler
composer require symfony/css-selector

css-seelctor 是 css选择器，用css选择节点时一些函数会用到

手册里面使用的例子是

use Symfony\Component\DomCrawler\Crawler;
$html = <<<'HTML'
<!DOCTYPE html>
<html>
        <body>        
        <p class="message">Hello World!</p>        
        <p>Hello Crawler!</p>    
        </body>
</html>
HTML;
$crawler = new Crawler($html);
foreach ($crawler as $domElement) 
{
    var_dump($domElement->nodeName);
}

打印的结果是

string 'html' (length=4)

因为这段html代码的nodeName就是html，英语不好，开始使用的时候还以为程序错了。。。

实际使用过程，如果new Crawler($html)会出现乱码问题，应该是与页面编码有关，所以可以采用下面的方式，先初始化crawler，然后添加node

$crawler = new Crawler();
$crawler->addHtmlContent($html);

addHtmlContent的第二个参数是charset，默认是utf-8。

其他例子可以参考官方文档，http://symfony.com/doc/current/components/dom_crawler.html

记录一下工作中一点点试出来的用法

filterXPath(string $xpath) 方法，按照手册上的说法，该方法的参数是$xpath，经常用的是p，div等块。

echo $crawler->filterXPath('//body/p')->text();
echo $crawler->filterXPath('//body/p')->last()->text();

输出是第一个和下一个p标签块的文本

var_dump($crawler->filterXPath('//body')->html());

输出body内的html

foreach ($crawler->filterXPath('//body/p') as $i => $node) {
    $c = new Crawler($node);
    echo $c->filter('p')->text();
}

filterXPath获得的是DOMElement块的数组，每个DOMElement块可以使用新的crawler对象继续解析

$nodeValues = 
$crawler->filterXPath('//body/p')->each(function (Crawler $node, $i) {
     return $node->text();
});

crawler提供了each循环，使用闭包函数简化代码，不过注意的是，这种写法$nodeValues得到的是数组，需要进一步处理。

其他用法

echo $crawler->filterXPath('//body/p')->attr('class');

可以获得第一个p标签对应class属性的值“message”

$crawler->filterXPath('//div[@class="样式"]')->filter('a')->attr('href');
$crawler->filterXPath('//div[@class="样式"]')->filter('a>img')->extract(array('alt', 'href'))

以上是获得标签属性的一些方法

filter和filterXPath不同，手册上写的是css选择器，不太明白，我理解是div这种XPath节点包含的元素，具体情况还需要在实际开发中去尝试。

总的来说感觉DomCrawler要比simple html dom好用一些，可能是我用的比较浅显。

上述只是Crawler的基本功能，更过用法请查阅symfony手册关于Crawler部分的函数

http://api.symfony.com/3.2/Symfony/Component/DomCrawler/Crawler.html

Crawler主要问题还是示例太少，函数手册里面没有使用实例，只能在实际使用中去摸索。。。。

symfony关于DomCrawler的文档，里面有少数例子

http://symfony.com/doc/current/components/dom_crawler.html

在laravel中使用Symfony的Crawler组件分析HTML

相关阅读