【发布时间】：2010-09-07 05:47:00
【问题描述】：
我一直在使用正则表达式在 PHP 中进行一些 HTML 抓取。这行得通，但结果是挑剔和脆弱的。有没有人使用过任何提供更强大解决方案的软件包？配置驱动的解决方案是理想的，但我并不挑剔。
【问题讨论】：
-
看看this线程 - 问题进入了类似的方向
标签： php html screen-scraping
【发布时间】：2010-09-07 05:47:00
【问题描述】：
在您从页面中抓取 HTML 之后，我会推荐 PHP Simple HTML DOM Parser。它支持无效的 HTML，并提供了一种非常简单的方法来处理 HTML 元素。
如果您正在抓取的页面是有效的 X(HT)ML，那么 PHP's built-in XML parsers 中的任何一个都可以。
我在用于抓取的 PHP 库方面没有取得多大成功。如果你喜欢冒险，你可以试试simplehtmldom。我推荐Hpricot 用于Ruby 或Beautiful Soup 用于Python，它们都是优秀的 HTML 解析器。
【讨论】：
-
如果您要解析特别草率的 HTML，请确保不要使用 BeautifulSoup 3.1.x（使用 3.0.x）。 3.1.x 使用 htmllib 作为其解析器，这比 3.0.x 使用 sgmllib 的宽容度要低得多。
上面提到的Simple Html DOM Parser 的结果也非常好。还有tidy Extension for PHP，它也非常好用。
【讨论】：
与htmlSQL 一起工作让我很开心，这不是一个高端解决方案，但使用起来非常简单。
【讨论】：
-
迟到的评论，但我刚刚通过谷歌找到了你的答案。我喜欢它！ :)
-
现在对你有用吗？它似乎对我不起作用......
使用 PHP 进行 HTML 抓取，我推荐 cURL + regexp 或 cURL + 一些 DOM 解析器，尽管我个人使用 cURL + regexp。如果您对正则表达式有深刻的了解，它实际上有时会更准确。
【讨论】：
我还推荐“简单的 HTML DOM 解析器”。这是一个不错的选择，特别是如果您熟悉 jQuery 或 JavaScript 选择器，那么您会发现自己很熟悉。
【讨论】：
我必须在主机 1and1 上使用 curl。
http://www.quickscrape.com/ 是我使用 Simple DOM 类想出的！
【讨论】：