PHP爬虫（2）DOM处理

cheun

　　摘要：在PHP爬虫（1）中详细了介绍了CURL抓取HTML数据的技术。采集数据处理也是爬虫技术中非常重要的部分。处理HTML数据可以用字符串查找，也可以利用正则表达式，但采用Dom处理是最高级的方法。
　　现在我们要抓取中国军网首页“军媒要闻要论”第一条内容，

　　通过浏览器工具查看网页元素，通过console获取数据。通过下图我们可以看到，在浏览器中我们可以方便调用Jquery的dom查找函数，轻松找到数据，PHP中是否也有这样的工具可以很方便的处理DOM？

　　在github上查找php dom parse，我们找到sunra/php-simple-html-dom-parser，使用用户还挺多的。下面我们介绍如何使用PhpDomParse组件，分别介绍直接引用、composer、ThinkPhp中如何使用。

　　1.直接引用
　　首选下载组件文件夹，在当前工程目录中执行



git clone https://github.com/sunra/php-simple-html-dom-parser.git
　　此时，工程目录下就会多出php-simpple-html-dom-parser文件夹，文件夹目录如下图

　　引用HtmlDomParaer.php



<?php
include "./php-simple-html-dom-parser/Src/Sunra/PhpSimple/HtmlDomParser.php";
use Sunra\PhpSimple\HtmlDomParser;
$url = "http://www.81.cn";
$dom = HtmlDomParser::file_get_html( $url );
$u = $dom->find("#JMYWYL dt",0);
$title = $u ->find('a',0);
echo $title->innertext;
?>
　　2.Composer调用方法
　　在工程目录下安装Composer.phar，创建composer.json文件，



{
"require": {
"sunra/php-simple-html-dom-parser": "v1.5.0"
}
}
　　运行，php compose.phar install
　　Composer会根据composer.json内容，下载需要的文件，安装成功之后，工程文件夹如下，

　　代码如下，系统会自动加载\Sunra\PhpSimple\HtmlDomParse



<?php
require __DIR__ . '/vendor/autoload.php';
$url = "http://www.81.cn";
$dom = \Sunra\PhpSimple\HtmlDomParser::file_get_html( $url );
$u = $dom->find("#JMYWYL dt",0);
$title = $u ->find('a',0);
echo $title->innertext;
?>
　　3、thinkphp框架
　　笔者日常也是使用TP框架的，也许有的读者没在TP中引入其他框架。TP提供了进入框架的机制，我们将Sunra文件夹放在“安装路径-->ThinkPHP->Library->Vendor”目录中，结构如下图所示，

　　工程代码如下



class IndexController extends Controller {
public function index(){
}
public function dom()
{
Vendor('Sunra.PhpSimple.HtmlDomParser');
$url = "http://www.81.cn";
//$dom = \Sunra\PhpSimple\HtmlDomParser::file_get_html( $url );
$dom =file_get_html( $url );
$u = $dom->find("#JMYWYL dt",0);
$title = $u ->find('a',0);
echo $title->innertext;
}
}
　　附录
　　php composer.phar install,出现下列错误，
　　SSL3_GET_SERVER_CERTIFICATE:certificate verify failed
　　解决办法，
　　（1）wget http://curl.haxx.se/ca/cacert.pem
　　（2）修改php.ini，添加
　　openssl.cafile="/opt/lampp/cacert.pem"