有时候我们需要抓取一个页面的一些信息来完成接口,用完
curl
得到body
后想获取某个标签的时候。 一看到正则委屈么,委屈么
php 的 DOM 模块
PHP自带扩展 http://php.net/dom
<?php
/**
* @author Shaowei Pu <542684913@qq.cn>
* @CreateTime 2017-04-17T19:25:59+0800
*/
$doc = new DOMDocument();
$html = <<<HTML_SECTION
<html><head><title>Sunyanzi's Test</title></head>
<body>
<h1>Hello World</h1>
<a href="http://segmentfault.com/" id="onlylink">Hey Welcome</a>
</body></html>
HTML_SECTION;
$doc->loadHTML( $html );
$h1Elements = $doc->getElementsByTagName( 'h1' );
foreach( $h1Elements as $h1Node ){
echo $h1Node->nodeValue;
}
echo $doc->getElementById( 'onlylink' )->getAttribute( 'href' );
$xpath = new DOMXPath( $doc );
// also prints "http://segmentfault.com/" ... locate via h1 ...
echo $xpath->evaluate('string(//h1[text()="Hello World"]/following-sibling::a/@href)');
基本上, 等到你熟练掌握 XPath 之后 , 你会发现 DOM 比正则要灵活得多 ...
PhpQuery
使用PhpQuery 完全可以省略curl抓取页面的那一步,写法完全参照Jquery
https://github.com/TobiaszCud...
/**
* @author Shaowei Pu <542684913@qq.cn>
* @CreateTime 2017-04-17T19:25:59+0800
*/
\phpQuery::newDocumentFile('https://v.qq.com/x/cover/o5neekjf0pl6e0r.html');
libxml_use_internal_errors(true);
// 腾讯视频的真实URL
$url = pq('link[rel="canonical"]')[0]->attr('href');
总结
web 采集多样性,如果不是抱着学习正则表达式的态度,应当灵活使用类库
偷懒万岁!
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。