PHP 解析HTML composer组件DomCrawler

DomCrawler工作原理：
工作原理就是将抓取到的html页面字符串实例化为一个dom对象，通过 xpath 语法或者 css选择器 语法选择其中的dom节点，类似于jquery的css选择器一样，提取页面元素的属性或者值，基本能获取到页面任意想要的内容，非常强大，是一个应用于爬虫中分析html元素及提取内容的利器。

安装： 

composer require symfony/dom-crawler

//css-selector也需要安装，才能使用xpath选择器
composer require symfony/css-selector    

 

使用：

1.简单使用

require_once 'vendor/autoload.php';

#引入安装的composer类库
use Symfony\Component\DomCrawler\Crawler;
use Symfony\Component\CssSelector\CssSelectorConverter;

#抓取到的html字符串
$html = <<<'HTML'


    
        
Hello World!
        
Hello Crawler!
    

HTML;

#实例化dom对象
$crawler = new Crawler();
$crawler->addHtmlContent($html);

#获取节点元素
foreach ($crawler as $domElement) {
    var_dump($domElement->nodeName);
}

 2. css选择器的使用

1. 语法规则如下：

$crawler->filter('selector名称');

如果想要选择页面的某个元素下的内容，css选择器语法该怎么写呢？
有一个简单的方法，以谷歌浏览器为例，打开 www.baidu.com，比如我要获取到 百度一下 这个按钮下的内容

按 F12 打开开发者工具，光标定位到该元素，是如下的元素：

 

想要获取上图中span下的内容，点击span > 右键 > copy >copy selector，便复制了该按钮的css选择器。
然后使用以下规则：

$crawler->filter('#s_btn_wr');

就能获取到该span下的内容了，至于获取到某个元素下的内容后怎么进一步处理，比如获取元素属性值，元素内容等，后面会详细说。
当然我们有时候页面某个元素并没有一个id或者class的选择器，但是也可以按照以上的方法来获取css选择器，只不过这个选择器可能会比较长了，如下：

#有时候可能会这样，不过也能获取到某个元素下的内容
#rmain > div > div:nth-child(2) > div:nth-child(3) > div:nth-child(5) > div.bd > table > tbody > tr

---

1. xpath选择器语法使用
   用css选择器可能有时候会比较憋屈，因为copy出来的选择器会比较长，而且有时候不一定准，要结合页面源代码观察，而且有时候在某些特殊情况下并没有办法获取到想要的内容，比如有以下要求：获取一个页面所有包含某个关键词的a标签href属性中的链接，这个用传统的css选择器比较难做到，需要费很大劲，这时候xpath选择器就上场了，不得不说，xpath很强大，非常强大，几乎能获取到页面中想要获取的任何内容，我在这里说几个典型的常用的用法吧，具体如何使用可以参考 xpath教程

###获取页面中所有a标签href属性值包含 *info* 关键词的a元素，在提取页面某一类url很有用
$crawler->filterXPath('//a[contains(@href,"info")]');   
###获取文本中包含 *职称* 两个字的span标签，这在通过文本信息来提取某类元素有用
$crawler->filterXPath('//span[contains(text(),"职称")]');
####选择两个特定元素之间的所有元素，这个很变态，很强大，放一个公式吧，具体怎么用可参考https://ask.helplib.com/xml/post_1005470 文章内容
$ns1[count(.|$ns2) = count($ns2)]  

关于xpath语法更多详细的使用，大家可参考下xpath教程的一些语法规则，多用用就知道了。
在这里我介绍一个谷歌浏览器的xpath的插件，在谷歌应用商店下载 xpath helper（前提需要fanqiang）如下图：

 

很好用，可以在某个页面中打开，用来检测自己的xpath表达式是否正确，很有用。

---

1. 用选择器获取到元素下内容后的进一步处理
   以获取某个页面 body > p 元素内容后的进一步处理为例：

$crawler->filter('body > p')->eq(0);    ###获取body下的第一个p元素
$crawler->filter('body > p')->first();  ###获取body下的第一个p元素
$crawler->filter('body > p')->last();   ###获取body下的最后一个p元素
$crawler->filter('body > p')->siblings();   ###获取body下p元素的所有兄弟元素
$crawler->filter('body > p')->nextAll();   ###获取body下p元素所有后面的元素
$crawler->filter('body > p')->previousAll();   ###获取body下p元素所有前面的元素
$crawler->filter('body')->children();   ###获取body下的所有子元素
$crawler->filter('body > p')->parents();   ###获取body下p元素的父元素

$crawler->filterXPath('//body/*')->nodeName();  ###获取body下元素节点名称
$crawler->filterXPath('//body/p')->text();    ###获取body下p元素中的文本内容
$crawler->filterXPath('//body/p')->attr('class');  ###获取body下p元素的class属性值

有时候会获取到多个节点，需要采用循环对每一个节点进行处理，可以用循环如下：

$crawler->filter('p')->each(function (Crawler $node, $i) {
    return $node->text();
});

---

• 使用中问题及解决办法：

1. composer安装了 dom-crawler 后使用不了 xpath选择器，即调用 $crawler->filterXPath('//xxx') 会报错,如何解决？
   解决办法：composer安装 css-selector，php页面引入 CssSelectorConverter

composer require symfony/css-selector  #composer安装
use Symfony\Component\CssSelector\CssSelectorConverter;   #php页面中引入

1. new Crawler($html) 返回的结果会出现乱码，如何解决？
   解决办法：这个应该与页面编码有关，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);

1. 用css选择器的时候，按照上面说的步骤去获取，为什么有时候获取不到，会报错 The current node list is empty，如何解决？
   因为有时候用开发者工具获取的css选择器不太准，比如获取的以下内容：

#rmain > div > div:nth-child(2) > div:nth-child(3) > div:nth-child(5) > div.bd > table > tbody > tr

我们在查看页面源代码的时候，也许table下是没有tbody的，可能table下直接是tr,不过为什么通过开发者工具复制出来的selector有呢，因为浏览器对html的table有时候会自动把tbody给补上的，但是页面源代码中并没有，所有我们有时候还需要结合页面源代码来分析选择器是否正确。