Goutte: 一个简单的 PHP 网页抓取工具

Goutte 是一个用于 PHP 的网页抓取和网络爬虫库。它提供了一个友好的 API，可以轻松地抓取网站并从 HTML/XML 响应中提取数据。虽然 Goutte 目前已被标记为弃用，但它仍然是学习网页抓取的一个不错的起点。

Goutte 的特点

• 简单易用：Goutte 的 API 设计简洁，适合初学者。
• 强大的功能：支持抓取、链接点击、表单提交等功能。
• 依赖 Symfony 组件：Goutte 是 Symfony BrowserKit 组件的一个薄层封装。

安装 Goutte

要使用 Goutte，您需要在项目的 composer.json 文件中添加依赖：

composer require fabpot/goutte

使用 Goutte

创建一个 Goutte 客户端实例：

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

发起请求

使用 request() 方法发起请求：

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

提取数据

使用 CSS 选择器提取数据：

$crawler->filter('h2 > a')->each(function ($node) {
    print $node->text() . "\n";
});

提交表单

$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']);

注意事项

Goutte 在 v4 版本后已成为 Symfony BrowserKit 组件的简单代理。要迁移，您需要将 Goutte\Client 替换为 Symfony\Component\BrowserKit\HttpBrowser。

结论

尽管 Goutte 已被弃用，但它仍然是一个学习网页抓取的好工具。对于需要更复杂功能的用户，建议转向 Symfony 的 HttpBrowser 组件。

行动号召

如果您对网页抓取感兴趣，尝试使用 Goutte 开始您的项目吧！