HTML-Parsing in PHP: Überblick über Bibliotheken und Werkzeuge

HTML-Parsing in PHP: Überblick über Bibliotheken und Werkzeuge

HTML-Parsing ist eine der häufigen Aufgaben eines Webentwicklers. Ob es um das Extrahieren von Daten von einer fremden Website (Scraping), die Analyse eigener Seiten oder die Automatisierung von Tests geht – ohne ein zuverlässiges Werkzeug kommt man nicht aus. PHP als serverseitige Sprache bietet mehrere Möglichkeiten, mit HTML-Code zu arbeiten. In diesem Artikel betrachten wir die drei beliebtesten Bibliotheken: PHP Simple HTML DOM Parser, DiDOM und Symfony DomCrawler. Sie erfahren deren Fähigkeiten, Stärken und Schwächen und sehen Codebeispiele.

Wozu braucht man HTML-Parsing?

Die integrierten PHP-Funktionen (file_get_contents, preg_match) sind für komplexe Aufgaben zu primitiv. Reguläre Ausdrücke werden schnell unhandlich und brechen bei der geringsten Änderung der HTML-Struktur. Spezialisierte Bibliotheken ermöglichen:

• Zugriff auf Elemente über CSS-Selektoren oder XPath;
• Durchlaufen des DOM-Baums wie in JavaScript;
• Extrahieren von Text, Attributen, Links;
• Modifizieren von HTML und Speichern des Ergebnisses.

1. PHP Simple HTML DOM Parser

Eine der ältesten und bekanntesten Bibliotheken. Arbeitet ohne externe Abhängigkeiten, geeignet für PHP 5.6+. Ihr Hauptvorteil ist die intuitive Syntax, die an jQuery erinnert.

Installation

// Laden Sie die Datei simple_html_dom.php von GitHub herunterrequire_once 'simple_html_dom.php';

Anwendungsbeispiel

// DOM-Objekt aus einer URL erstellen$html = file_get_html('https://example.com');

// Alle Links findenforeach($html->find('a') as $link) {    echo $link->href . ' - ' . $link->plaintext . "";}

// h1-Überschrift extrahieren$h1 = $html->find('h1', 0);echo $h1 ? $h1->plaintext : 'Überschrift nicht gefunden';

// Speicher freigeben$html->clear();

Vor- und Nachteile

• + Einfachheit und verständliche API;
• + Benötigt kein Composer;
• - Langsame Verarbeitung großer Dokumente;
• - Projekt wurde lange nicht aktualisiert;
• - Unterstützt moderne PHP 8.x-Standards nicht vollständig.

2. DiDOM

Moderne Bibliothek, aktiv von der Community unterstützt. Vollständig kompatibel mit PHP 7.4–8.3. Verwendet CSS-Selektoren und XPath, arbeitet um ein Vielfaches schneller als Simple HTML DOM.

Installation über Composer

composer require imangazaliev/didom

Anwendungsbeispiel

use DiDom\\Document;

$document = new Document('https://example.com', true);

// Alle Links finden$links = $document->find('a');foreach ($links as $link) {    echo $link->attr('href') . "";}

// Suche nach Klasse$items = $document->find('.product-title');foreach ($items as $item) {    echo $item->text() . "";}

// Erstes Element extrahieren$firstTitle = $document->first('h2');echo $firstTitle ? $firstTitle->text() : 'Keine Überschriften';

Vor- und Nachteile

• + Hohe Leistung;
• + Unterstützung für CSS-Selektoren jeder Komplexität;
• + Arbeit mit Kodierungen;
• - Erfordert Composer;
• - Dokumentation auf Russisch vorhanden, aber fragmentarisch.

3. Symfony DomCrawler

Teil des Symfony-Ökosystems, kann aber als eigenständige Bibliothek verwendet werden. Bietet eine leistungsstarke API für die Navigation im DOM, Datenextraktion und Arbeit mit Formularen.

Installation

composer require symfony/dom-crawlercomposer require symfony/css-selector  // für CSS-Selektoren

Anwendungsbeispiel

use Symfony\\Component\\DomCrawler\\Crawler;

$html = file_get_contents('https://example.com');$crawler = new Crawler($