HTML Parsing dan Skrin Mengikis dengan Perpustakaan Dom HTML Mudah

Tutorial ini menunjukkan bagaimana untuk menghuraikan HTML dengan cekap menggunakan parser sumber terbuka, mengelakkan kerumitan ekspresi biasa. Kami akan mengikis Envato Tuts sebagai contoh, mengekstrak tajuk artikel dan penerangan. Ini adalah untuk tujuan ilustrasi; Ingatlah untuk sentiasa mendapatkan kebenaran sebelum mengikis laman web.

---

1. persediaan

Mulailah dengan memasang komposer, pengurus pakej php, untuk memudahkan pemasangan perpustakaan.

Langkah -langkah selanjutnya terperinci di bawah.

Dokumentasi

Dokumentasi komprehensif boleh didapati di repositori GitHub rasmi projek.

---

3. Aplikasi Praktikal: Mengikis Envato Tuts

Mari buat skrip untuk mengekstrak tajuk artikel dan deskripsi dari Envato Tuts. Ini adalah demonstrasi dan tidak boleh dilakukan tanpa kebenaran. Mengikis pelayan yang berlebihan.

coretan kod teras:

Ini termasuk perpustakaan yang diperlukan dan memulakan array untuk menyimpan data artikel. Fungsi

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

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

(ditakrifkan kemudian) mengambil dan memproses laman web.

getArticles

---

Pengekstrakan data
Heart of the Script Extracts Maklumat Artikel:

ini melangkah melalui setiap elemen artikel (

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

) dan mengekstrak tajuk dan keterangan menggunakan pemilih CSS. Setiap entri

akan mengandungi pasangan tajuk dan penerangan. Contohnya: <article> $articles

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

---

Pengendalian Pagination

6. Untuk mengendalikan beberapa halaman, kami mengenal pasti pautan halaman "seterusnya":

HTML yang berkaitan:

Skrip mendapati pautan ini, mengekstrak atribut

, dan panggilan rekursif

<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>

untuk halaman berikutnya. Secara kritis, objek

dibersihkan untuk mengelakkan keletihan memori. href

---

Kesimpulan

Parsing laman web besar boleh memakan masa. Tutorial ini menyediakan asas untuk parsing HTML menggunakan perpustakaan mesra pengguna. Walaupun perpustakaan ini mudah, ingat bahawa kaedah lain, seperti manipulasi DOM terbina dalam PHP dengan XPath, wujud. Sentiasa mengutamakan mendapatkan kebenaran sebelum mengikis mana -mana laman web.

Atas ialah kandungan terperinci HTML Parsing dan Skrin Mengikis dengan Perpustakaan Dom HTML Mudah. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!