PHP Goutte 网页抓取

PHP Goutte Web Scraping

我想抓取这个:

<a class="pdt_title"> 
  Japan Sun Apple - Fuji
  <span class="pdt_Tweight">2 per pack</span>
</a>

这是我的代码:

use Goutte\Client;
$client = new Client();
$crawler = $client->request('GET', 'https://www.fairprice.com.sg/searchterm/apple');
foreach ($crawler->filter('a.pdt_title') as $node) {
    print $node->nodeValue."\n";
}

我只想抓取“a”标签内的文本,而不是“span”标签内的文本。 如何只获取“a”标签内的文本?

查看 HTML 标记,您想要的文本节点落入锚点的第一个子节点。由于每个 $node 都是 DOMElement 的一个实例,您可以使用 ->firstChild (针对文本节点),然后使用 ->nodeValue:

foreach ($crawler->filter('a.pdt_title') as $node) {
    echo $node->firstChild->nodeValue . "\n";
}

另一种选择是使用 xpath,通过 ->filterXpath(),顺便说一句,它在文档中:

foreach ($crawler->filterXpath('//a[@class="pdt_title"]/text()') as $text) {
    echo $text->nodeValue , "\n";
}

相关文档:

https://symfony.com/doc/current/components/dom_crawler.html

xpath 查询只针对带有 class 的锚点,然后是文本。

或者另一个班轮。它 returns 一个数组,提取文本:

$output = $crawler->filterXpath('//a[@class="pdt_title"]/text()')->extract(array('_text'));

相关DOM 文档:

http://php.net/manual/en/class.domelement.php
http://php.net/manual/en/class.domnode.php