Goutte: Um Simples Web Scraper em PHP

Goutte é uma biblioteca de scraping e crawling para PHP que permite extrair dados de sites de maneira eficiente. Com uma API amigável, Goutte facilita a navegação em websites e a extração de informações a partir de respostas HTML/XML.

Aviso Importante

Atenção: Esta biblioteca está obsoleta. A partir da versão 4, Goutte se tornou um simples proxy para a classe HttpBrowser do componente BrowserKit do Symfony. Para migrar, substitua Goutte\Client por Symfony\Component\BrowserKit\HttpBrowser no seu código.

Requisitos

Goutte requer PHP 7.1 ou superior.

Instalação

Para instalar o Goutte, adicione fabpot/goutte como uma dependência no seu arquivo composer.json:

composer require fabpot/goutte

Uso

Criando uma Instância do Cliente Goutte

Para começar, crie uma instância do cliente Goutte:

use Goutte\Client;
$client = new Client();

Fazendo Requisições

Você pode fazer requisições usando o método request():

// Acesse o site symfony.com
$crawler = $client->request('GET', 'https://www.symfony.com/blog/');

O método retorna um objeto Crawler que permite manipular o DOM da página.

Extraindo Dados

Para extrair dados, você pode usar o método filter():

// Obtenha os títulos dos posts mais recentes
$crawler->filter('h2 > a')->each(function ($node) {
    print $node->text() . "\n";
});

Enviando Formulários

Você também pode enviar formulários facilmente:

$crawler = $client->request('GET', 'https://github.com/');
$crawler = $client->click($crawler->selectLink('Sign in')->link());
$form = $crawler->selectButton('Sign in')->form();
$crawler = $client->submit($form, ['login' => 'fabpot', 'password' => 'xxxxxx']);
$crawler->filter('.flash-error')->each(function ($node) {
    print $node->text() . "\n";
});

Mais Informações

Para mais detalhes sobre o que você pode fazer com o Goutte, consulte a documentação dos componentes BrowserKit, DomCrawler e HttpClient do Symfony.

Pronúncia

Goutte é pronunciado como "goot", rimando com "boot" e não com "out".

Informações Técnicas

Goutte é uma camada fina sobre os seguintes componentes do Symfony: BrowserKit, CssSelector, DomCrawler e HttpClient.

Licença

Goutte é licenciado sob a licença MIT.

Conclusão

Goutte é uma ferramenta poderosa para desenvolvedores PHP que precisam de uma solução simples para scraping de dados. Embora esteja obsoleta, ainda é uma referência para entender como implementar scraping em PHP. Para projetos novos, considere usar o HttpBrowser diretamente.