تحليل HTML في PHP: DOMDocument و SimpleXML و cURL لاستخراج بيانات الويب

تحليل HTML في PHP: دليل كامل لاستخراج البيانات من صفحات الويب

تحليل HTML هي إحدى المهام الأساسية في تطوير الويب، والتي تتيح استخراج البيانات المنظمة تلقائيًا من صفحات الويب. تقدم PHP أدوات مدمجة قوية لهذا الغرض، بما في ذلك امتدادات DOMDocument و SimpleXML، بالإضافة إلى مكتبة cURL للتعامل مع طلبات HTTP. في هذه المقالة، سنشرح بالتفصيل كيفية تحليل HTML في PHP، وسنستعرض أفضل الممارسات ومعالجة الأخطاء وأمثلة الكود.

الأدوات الأساسية لتحليل HTML في PHP

لتحليل HTML في PHP، تُستخدم المكونات الأساسية التالية:

• DOMDocument — فئة مدمجة للعمل مع شجرة DOM الخاصة بـ HTML/XML. تتيح تحميل العناصر وتعديلها واستخراجها.
• DOMXPath — امتداد لـ DOMDocument، يسمح بتنفيذ استعلامات XPath للبحث الدقيق عن العقد.
• SimpleXML — امتداد مبسط للعمل مع XML، ولكن يمكن استخدامه أيضًا مع HTML بشرط أن يكون الهيكل صحيحًا.
• cURL — مكتبة لتنفيذ طلبات HTTP، ضرورية للحصول على كود HTML للصفحات البعيدة.

مثال خطوة بخطوة لتحليل HTML باستخدام DOMDocument

لننظر إلى مثال كامل لتحليل صفحة HTML. لنفترض أننا بحاجة لاستخراج عناوين المقالات (وسوم <h2>) والروابط (<a>) من موقع ما.

<?php// 1. الحصول على كود HTML للصفحة باستخدام cURL$url = 'https://example.com/articles';$ch = curl_init($url);curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36');$html = curl_exec($ch);if (curl_errno($ch)) {    die('خطأ cURL: ' . curl_error($ch));}curl_close($ch);

// 2. إنشاء كائن DOMDocument وتحميل HTML$dom = new DOMDocument();libxml_use_internal_errors(true); // كتم أخطاء تحليل HTML غير الصالح$dom->loadHTML($html);libxml_clear_errors();

// 3. إنشاء كائن DOMXPath للبحث السهل$xpath = new DOMXPath($dom);

// 4. استخراج جميع العناوين h2$headings = $xpath->query('//h2');echo "<h3>عناوين المقالات:</h3>";foreach ($headings as $heading) {    echo "<p>" . htmlspecialchars($heading->nodeValue) . "</p>";}

// 5. استخراج جميع الروابط ذات الصنف 'article-link'$links = $xpath->query('//a[@class="article-link"]');echo "<h3>روابط المقالات:</h3>";foreach ($links as $link) {    $href = $link->getAttribute('href');    $text = $link->nodeValue;    echo "<p><a href='" . htmlspecialchars($href) . "'>" . htmlspecialchars($text) . "</a></p>";}?>

استخدام SimpleXML للحالات البسيطة

SimpleXML مناسب لتحليل مستندات HTML جيدة التنظيم، لكنه لا يتعامل مع HTML غير الصالح. مثال لاستخراج البيانات من جدول:

<?php$html = '<table><tr><td>خلية 1</td><td>خلية 2</td></tr></table>';$xml = simplexml_load_string($html);if ($xml === false) {    echo "خطأ في تحميل HTML";} else {    foreach ($xml->tr->td as $cell) {        echo "البيانات: " . htmlspecialchars($cell) . "<br>";    }}?>

معالجة الأخطاء وأفضل الممارسات

عند تحليل HTML في PHP، من المهم مراعاة النقاط التالية:

• كتم الأخطاء: استخدم libxml_use_internal_errors(true) قبل تحميل HTML لتجنب عرض تحذيرات حول الترميز غير الصالح.
• الترميز: تأكد من تحميل HTML بالترميز الصحيح (UTF-8). عند الضرورة، استخدم mb_convert_encoding().
• User-Agent: استخدم دائمًا