Blog / 网络数据
网络数据

如何在 2025 年使用 PHP 解析 HTML

本指南比较了三种 PHP HTML 解析技术，重点介绍它们的优势和差异，帮助你选择最合适的解决方案。
1 min read
Antonello-Zanini
Antonello Zanini
使用 PHP 解析 HTML

在本指南中，你将了解：

  • 为什么在 PHP 中解析 HTML 很有用
  • 开始本文目标所需的前置条件
  • 如何使用以下方式在 PHP 中解析 HTML：
    • Dom\HTMLDocument
    • Simple HTML DOM Parser
    • Symfony 的 DomCrawler
  • 这三种方法的对比表格

让我们开始吧！

为什么要在 PHP 中解析 HTML？

在 PHP 中进行 HTML 解析，意味着将 HTML 内容转换为其 DOM（文档对象模型）结构。一旦转换为 DOM 格式，你就可以轻松地遍历和操作 HTML 内容。

尤其是，在 PHP 中解析 HTML 的主要原因包括：

  • 数据提取：从网页中获取特定内容，比如从 HTML 元素中提取文本或属性。
  • 自动化：将内容抓取、生成报告，以及从 HTML 中聚合数据等任务自动化。
  • 服务端 HTML 内容处理：在显示到应用之前，在服务器端解析、修改、清理或格式化网页内容。

探索最佳 HTML 解析库！

前置条件

在开始编写代码之前，确保你的机器上已经安装了 PHP 8.4+。你可以运行以下命令进行验证：

php -v

输出结果应类似这样：

PHP 8.4.3 (cli) (built: Jan 19 2025 14:20:58) (NTS)
Copyright (c) The PHP Group
Zend Engine v4.4.3, Copyright (c) Zend Technologies
    with Zend OPcache v8.4.3, Copyright (c), by Zend Technologies

接下来，你需要初始化一个 Composer 项目，方便管理依赖。如果你的系统还未安装 Composer，下载 Composer 并按照安装说明进行操作。

首先，为你的 PHP HTML 项目创建一个新文件夹：

mkdir php-html-parser

在终端中切换到该文件夹，并使用 composer init 命令在其中初始化一个 Composer 项目：

composer init

在此过程中，你将被问到一些问题。使用默认答案即可，但如果需要，你可以为项目添加更具体的信息。

然后，在你喜欢的 IDE 中打开此项目文件夹。带有 PHP 扩展的 Visual Studio Code 或 IntelliJ WebStorm 都是不错的选择。

现在，向项目文件夹中添加一个空的 index.php 文件。此时项目结构应如下所示：

php-html-parser/
  ├── vendor/
  ├── composer.json
  └── index.php

打开 index.php 文件，添加以下代码以初始化项目：

<?php

require_once __DIR__ . "/vendor/autoload.php";

// scraping logic...

该文件稍后将包含解析 HTML 的逻辑。

现在，你可以使用以下命令来运行脚本：

php index.php

很好！至此，你已经完成了在 PHP 中开始 HTML 解析的配置。接下来，你可以开始在脚本中添加所需的 HTML 获取和解析逻辑。

在 PHP 中获取 HTML 内容

在 PHP 中解析 HTML 之前，你需要先获取 HTML。本节将介绍两种在 PHP 中访问 HTML 的不同方法。

使用 CURL

PHP 原生支持 cURL，它是一个常用的 HTTP 客户端，用来执行 HTTP 请求。启用 cURL 扩展，或在 Linux 上安装：

sudo apt-get install php8.4-curl

可以使用 cURL 发起 HTTP GET 请求 到在线服务器并获取服务器返回的 HTML 文档。

下面是一个示例脚本，用于发送简单的 GET 请求并获取 HTML 内容：

// initialize cURL session
$ch = curl_init();

// set the URL you want to make a GET request to
curl_setopt($ch, CURLOPT_URL, "https://www.scrapethissite.com/pages/forms/?per_page=100");

// return the response instead of outputting it
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);

// execute the cURL request and store the result in $response
$html = curl_exec($ch);

// close the cURL session
curl_close($ch);

// output the HTML response
echo $html;

将上述代码片段添加到 index.php 并执行后，就会输出如下所示的 HTML 代码：

<!doctype html>
<html lang="en">
  <head>
    <meta charset="utf-8">
    <title>Hockey Teams: Forms, Searching and Pagination | Scrape This Site | A public sandbox for learning web scraping</title>
    <link rel="icon" type="image/png" href="/static/images/scraper-icon.png" />
    <!-- Omitted for brevity... -->
</html>

可阅读我们的指南，了解更多关于 在 PHP 中使用 cURL GET 请求。

从文件中读取

另一种获取 HTML 的方式是将其存储到一个专用文件中。具体流程如下：

  1. 在浏览器中访问你想要的页面
  2. 右键点击页面
  3. 选择“查看页面源代码”选项
  4. 复制并粘贴 HTML 到一个文件里

或者，你也可以在文件中自行编写自己的 HTML 代码。

在本示例中，我们假设该文件名为 index.html。它包含了之前通过 cURL 获取的 Scrape This Site上 “Hockey Teams” 页面对应的 HTML：

项目文件夹中的 index.html 文件

在 PHP 中解析 HTML 的 3 种方法

本节你将学习如何使用三种不同的库在 PHP 中解析 HTML：

  1. 使用 Dom\HTMLDocument 进行原生 PHP 解析
  2. 使用 Simple HTML DOM Parser 库
  3. 使用 Symfony 的 DomCrawler 组件

在这三种情况下，你都会看到如何解析通过 cURL 获取的 HTML 字符串，或者从本地 index.html 文件读取的内容。

随后，你会学习如何利用各个 PHP HTML 解析库所提供的方法，来选择页面上的所有 hockey team 条目并从中提取数据：

目标页面上的表格

最终结果会是一个包含各个 hockey team 数据的列表，包括：

  • Team Name
  • Year
  • Wins
  • Losses
  • Win %
  • Goals For (GF)
  • Goals Against (GA)
  • Goal Difference

你可以从以下结构的 HTML 表格中提取它们：

表格行的 HTML DOM 结构

如你所见，表格中每一行的每一列都有特定的 class。你可以通过使用这些 class 来作为 CSS 选择器，然后获取其文本内容来提取相应的数据。

请注意，解析 HTML 只是编写网页爬虫脚本中的其中一步。若要更深入学习，请阅读我们的如何使用 PHP 进行网页爬取的教程。

现在，让我们来看看在 PHP 中进行 HTML 解析的三种不同方式。

方法一：使用 Dom\HTMLDocument

PHP 8.4+ 自带了一个内置的 Dom\HTMLDocument 类。它表示一个 HTML 文档，并允许你解析 HTML 内容并遍历 DOM 树。以下是关于如何使用它来进行 HTML 解析的说明！

步骤 1：安装和配置

Dom\HTMLDocument 属于 标准 PHP 库，但你需要启用 DOM 扩展，或在 Linux 上通过以下命令安装：

sudo apt-get install php-dom

无需进一步操作。现在你已经可以使用 Dom\HTMLDocument 来进行 HTML 解析了。

步骤 2：解析 HTML

你可以通过下面的方式解析 HTML 字符串：

$dom = \DOM\HTMLDocument::createFromString($html);

或者，解析 index.html 文件：

$dom = \DOM\HTMLDocument::createFromFile("./index.html");

$dom 是一个 Dom\HTMLDocument 对象，你可以利用它来进行数据解析。

步骤 3：数据提取

可以使用 \DOM\HTMLDocument 并通过以下方式选择所有 hockey team 的条目：

// select each row on the page
$table = $dom->getElementsByTagName("table")->item(0);
$rows = $table->getElementsByTagName("tr");

// iterate through each row and extract data
foreach ($rows as $row) {
  $cells = $row->getElementsByTagName("td");

  // extracting the data from each column
  $team = trim($cells->item(0)->textContent);
  $year = trim($cells->item(1)->textContent);
  $wins = trim($cells->item(2)->textContent);
  $losses = trim($cells->item(3)->textContent);
  $win_pct = trim($cells->item(5)->textContent);
  $goals_for = trim($cells->item(6)->textContent);
  $goals_against = trim($cells->item(7)->textContent);
  $goal_diff = trim($cells->item(8)->textContent);

  // create an array for the scraped team data
  $team_data = [
    "team" => $team,
    "year" => $year,
    "wins" => $wins,
    "losses" => $losses,
    "win_pct" => $win_pct,
    "goals_for" => $goals_for,
    "goals_against" => $goals_against,
    "goal_diff" => $goal_diff
  ];

  // print the scraped team data
  print_r($team_data);
  print ("\n");
}

\DOM\HTMLDocument 不提供高级的查询方法，因此只能依靠类似 getElementsByTagName() 以及手动迭代等方法。

示例中使用的方法解析如下：

  • getElementsByTagName()：获取文档中所有给定标签（如 <table>、<tr> 或 <td>）的元素。
  • item()：从 getElementsByTagName() 返回的元素列表中，获取指定位置的元素。
  • textContent：属性，可获取元素的原始文本内容，比如球队名、年份等可见数据。

另外，我们还使用了 trim() 来去除文本前后的多余空格，这样数据更加清爽。

将上述代码添加到 index.php 后，输出结果如下：

Array
(
    [team] => Boston Bruins
    [year] => 1990
    [wins] => 44
    [losses] => 24
    [win_pct] => 0.55
    [goals_for] => 299
    [goals_against] => 264
    [goal_diff] => 35
)

// omitted for brevity...

Array
(
    [team] => Detroit Red Wings
    [year] => 1994
    [wins] => 33
    [losses] => 11
    [win_pct] => 0.688
    [goals_for] => 180
    [goals_against] => 117
    [goal_diff] => 63
)

方法二：使用 Simple HTML DOM Parser

Simple HTML DOM Parser 是一个轻量级的 PHP 库，可让你轻松解析并操作 HTML 内容。该库仍在积极维护，在 GitHub 上有超过 880 颗星。

步骤 1：安装和配置

可通过 Composer 安装 Simple HTML Dom Parser：

composer require voku/simple_html_dom

或者，你也可以手动下载并将 simple_html_dom.php 文件包含到项目中。

然后，在 index.php 中使用以下语句导入该库：

use voku\helper\HtmlDomParser;

步骤 2：解析 HTML

若要解析 HTML 字符串，可使用 file_get_html() 方法：

$dom = HtmlDomParser::str_get_html($html);

如果要解析 index.html 文件，则使用 file_get_html()：

$dom = HtmlDomParser::file_get_html($str);

这样就会将 HTML 内容加载到 $dom 对象中，从而方便遍历。

步骤 3：数据提取

使用 Simple HTML DOM Parser，从 HTML 中提取 hockey team 数据：

// find all rows in the table
$rows = $dom->findMulti("table tr.team");

// loop through each row to extract the data
foreach ($rows as $row) {
  // extract data using CSS selectors
  $team_element = $row->findOne(".name");
  $team = trim($team_element->plaintext);

  $year_element = $row->findOne(".year");
  $year = trim($year_element->plaintext);

  $wins_element = $row->findOne(".wins");
  $wins = trim($wins_element->plaintext);

  $losses_element = $row->findOne(".losses");
  $losses = trim($losses_element->plaintext);

  $win_pct_element = $row->findOne(".pct");
  $win_pct = trim($win_pct_element->plaintext);

  $goals_for_element = $row->findOne(".gf");
  $goals_for = trim($goals_for_element->plaintext);

  $goals_against_element = $row->findOne(".ga");
  $goals_against = trim(string: $goals_against_element->plaintext);

  $goal_diff_element = $row->findOne(".diff");
  $goal_diff = trim(string: $goal_diff_element->plaintext);

  // create an array with the extracted team data
  $team_data = [
    "team" => $team,
    "year" => $year,
    "wins" => $wins,
    "losses" => $losses,
    "win_pct" => $win_pct,
    "goals_for" => $goals_for,
    "goals_against" => $goals_against,
    "goal_diff" => $goal_diff
  ];

  // print the scraped team data
  print_r($team_data);
  print("\n");
}

上面使用的 Simple HTML DOM Parser 特性包括：

  • findMulti()：选择与给定 CSS 选择器匹配的所有元素。
  • findOne()：获取与给定 CSS 选择器匹配的第一个元素。
  • plaintext：属性，可获取元素内的原始文本内容。

此处通过更完整和强大的逻辑来使用 CSS 选择器，但最终结果和第一种方法的输出相同。

方法三：使用 Symfony 的 DomCrawler 组件

Symfony 的 DomCrawler 组件 为解析 HTML 文档、提取数据提供了简便方法。

注意：该组件属于 Symfony 框架，但可单独使用。我们在此将只使用它的独立组件。

步骤 1：安装和配置

通过 Composer 命令安装 Symfony 的 DomCrawler 组件：

composer require symfony/dom-crawler

然后在 index.php 文件中导入：

use Symfony\Component\DomCrawler\Crawler;

步骤 2：解析 HTML

要解析 HTML 字符串，可在创建 Crawler 实例时传入该字符串：

$crawler = new Crawler($html);

如果要解析文件，则可以使用 file_get_contents() 并创建 Crawler 实例：

$crawler = new Crawler(file_get_contents("./index.html"));

这样就能将 HTML 内容加载到 $crawler 对象中，然后借助它来遍历并提取数据。

步骤 3：数据提取

以下示例说明如何在 DomCrawler 中提取 hockey team 数据：

// select all rows within the table
$rows = $crawler->filter("table tr.team");

// loop through each row to extract the data
$rows->each(function ($row, $i) {
  // extract data using CSS selectors
  $team_element = $row->filter(".name");
  $team = trim($team_element->text());

  $year_element = $row->filter(".year");
  $year = trim($year_element->text());

  $wins_element = $row->filter(".wins");
  $wins = trim($wins_element->text());

  $losses_element = $row->filter(".losses");
  $losses = trim($losses_element->text());

  $win_pct_element = $row->filter(".pct");
  $win_pct = trim($win_pct_element->text());

  $goals_for_element = $row->filter(".gf");
  $goals_for = trim($goals_for_element->text());

  $goals_against_element = $row->filter(".ga");
  $goals_against = trim($goals_against_element->text());

  $goal_diff_element = $row->filter(".diff");
  $goal_diff = trim($goal_diff_element->text());

  // create an array with the extracted team data
  $team_data = [
    "team" => $team,
    "year" => $year,
    "wins" => $wins,
    "losses" => $losses,
    "win_pct" => $win_pct,
    "goals_for" => $goals_for,
    "goals_against" => $goals_against,
    "goal_diff" => $goal_diff
  ];

  // print the scraped team data
  print_r($team_data);
  print ("\n");
});

上述代码中用到的 DomCrawler 方法包括：

  • each()：遍历选定元素列表。
  • filter()：使用 CSS 选择器来选择元素。
  • text()：获取所选元素的文本内容。

太棒了！你现在已经熟悉了 PHP HTML 解析的多种方式。

在 PHP 中解析 HTML：对比表

下面的总结表格对比了本文介绍的三种 HTML 解析方式：

  \DOM\HTMLDocument Simple HTML DOM Parser Symfony 的 DomCrawler
类型 原生 PHP 组件 外部库 Symfony 组件
GitHub Stars — 880+ 4000+
XPath 支持 ❌ ✔️ ✔️
CSS 选择器支持 ❌ ✔️ ✔️
学习曲线 低 低到中 中
使用简易度 中 高 高
API 丰富度 基础 丰富 丰富

结论

在本文中，你学习了三种在 PHP 中解析 HTML 的方法，从内置原生扩展到第三方库。

需要注意的是，目标网页可能会使用 JavaScript 来进行渲染。在这种情况下，上面介绍的简单 HTML 解析方法都无法正常工作。你需要使用具有完整浏览器功能的高级爬虫解决方案（如 Scraping Browser）来处理此类场景。

你想直接使用现成数据，而无需自己解析 HTML？可以试试我们的 现成数据集，其中涵盖了数百个网站的数据！

赶快注册一个免费的 Bright Data 帐号，开始免费试用我们的数据与爬虫解决方案吧！

免费试用
Table of Contents
    专用爬取 API & 无代码爬取工具

    超过 120+ 个爬取工具，覆盖所有热门站点。让网页爬取更简单。

    免费试用
    只需数据？无需自行爬取。

    数百个现成数据集，覆盖所有热门站点。

    获取数据集

    你也可能对此有兴趣

    使用 curl_cffi 进行网络爬虫
    网络数据
    Antonello-Zanini
    Antonello Zanini

    在 Python 中使用 curl_cffi 进行网络爬虫

    了解 curl_cffi 如何通过模拟真实浏览器的 TLS 指纹，实现隐蔽且高效的 Python 网络爬虫。
    20-2 月-2025
    4 min read
    Scrapy vs Requests 博客图片
    网络数据
    favicon__brd
    Federico Trotta

    Scrapy vs. Requests：哪一个更适合进行网络爬虫？

    对比 Scrapy 和 Requests，找出最适合您需求的网络爬虫工具。
    20-2 月-2025
    5 min read
    抓取具有复杂导航结构的网站
    网络数据
    Antonello-Zanini
    Antonello Zanini

    抓取具有复杂导航结构的网站

    使用 Selenium 和浏览器自动化来抓取带有复杂导航模式（如动态分页、无限滚动，以及“加载更多”按钮）的网站。
    20-2 月-2025
    5 min read
    Trustpilot