在PHP中，通过“框架的方式”浏览网页并获取指定内容

一、使用专业的爬虫框架

对于大型或复杂的采集项目，使用完整的爬虫框架能大大提高开发效率和代码可维护性。

Yurun Crawler

这是一个基于 Swoole 的高性能、分布式爬虫框架。它的特点是低代码，甚至可以通过注解来定义如何从页面中提取数据：

<?php
use Yurun\Crawler\Module\Parser\Annotation\DomSelect;
use Yurun\Crawler\Module\Parser\Enum\DomSelectMethod;
use Yurun\Crawler\Module\DataModel\Contract\BaseDataModel;

class ArticleModel extends BaseDataModel
{
    /**
     * 标题
     * @DomSelect(selector=".article-view h1", method=DomSelectMethod::TEXT)
     */
    public $title;

    /**
     * 内容
     * @DomSelect(selector=".article-content", method=DomSelectMethod::HTML)
     */
    public $content;
}

Advance PHP Scraper

这是一个功能强大且模块化的库，对初学者非常友好。它提供了简单直接的API来提取链接、图片、元标签等，同时也支持限流、异步抓取和插件系统等高级特性。

PhpDig

这是一个经典的开源Web爬虫与搜索引擎系统，适合用于构建垂直领域的搜索引擎。

二、使用解析类库

如果不需要完整的框架，只想在现有项目中引入解析功能，使用轻量的HTML解析库会更方便。

Symfony DomCrawler

这是 Symfony 框架的一个组件，也是许多高级爬虫库的底层依赖。它提供流畅的API来遍历文档树，并用CSS选择器或XPath精确查找节点。

simplehtmldom

这是一个非常流行且易于上手的HTML解析库，允许你像使用jQuery一样用 find() 方法查找元素：

<?php
require_once 'vendor/autoload.php';
use simplehtmldom\HtmlWeb;

$web = new HtmlWeb();
$html = $web->load('https://example.com');

// 查找所有段落并输出其内容
$paragraphs = $html->find('p');
foreach ($paragraphs as $p) {
    echo $p->innertext . PHP_EOL;
}

Snoopy

这是一个经典的PHP类，主要用于模拟Web浏览器的功能，可以抓取网页内容、提交表单等。虽然它本身不是解析器，但常被用于第一步的"获取网页内容"。

三、使用PHP内置的DOM扩展

PHP内置的 DOMDocument 和 DOMXPath 类是非常强大的解析工具，不需要安装任何第三方库。它们提供了标准的DOM操作方式和XPath定位能力：

<?php
// 获取网页内容
$html = file_get_contents('https://example.com');

// 创建DOMDocument对象
$dom = new DOMDocument();
// 忽略HTML解析警告
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_clear_errors();

// 创建XPath对象
$xpath = new DOMXPath($dom);

// 使用XPath查询指定内容，例如获取所有h1标签
$headings = $xpath->query('//h1');
foreach ($headings as $heading) {
    echo $heading->textContent . PHP_EOL;
}

// 获取class为content的元素
$content = $xpath->query("//*[contains(@class, 'content')]")->item(0);
if ($content) {
    echo $content->textContent;
}

四、注意事项

1. 遵守robots.txt：在采集网站前，请查看目标网站的 robots.txt 文件，尊重网站的爬取规则。
2. 设置合理的请求间隔：避免对目标服务器造成过大压力，建议在请求之间添加适当延迟。
3. 处理编码问题：确保正确处理网页的字符编码，避免中文乱码。
4. 模拟浏览器User-Agent：有些网站会拦截非浏览器的请求，设置合理的User-Agent可以提高成功率。
5. 处理动态内容：如果目标网页内容通过JavaScript动态加载，上述基于HTML解析的方案可能无法获取数据，此时需要使用无头浏览器（如Puppeteer、Selenium）配合PHP使用。

选择哪种方案取决于你的具体需求：如果是简单项目，建议使用 simplehtmldom 或内置的 DOMDocument；如果是大规模采集，可以考虑 Yurun Crawler 等专业框架。