在laravel中使用Symfony的Crawler组件分析HTML

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‘

									Hello World!

									Hello Crawler!

									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‘))