PHP使用Goutte抓取网页教程

使用 PHP 调用爬虫程序抓取网页内容，Goutte 是一个轻量且高效的工具。它基于 Symfony 的组件构建，封装了 DOM 解析和 HTTP 请求，适合快速实现网页抓取任务。

安装 Goutte

通过 Composer 安装 Goutte，确保你的项目中已配置好 Composer 环境：

命令：

composer require fabpot/goutte

执行后，Composer 会自动下载 Goutte 及其依赖（如 Guzzle、Symfony DomCrawler 和 CssSelector）。

基本使用示例

以下是一个简单的 PHP 脚本，演示如何使用 Goutte 抓取网页标题和链接：

request('GET', 'https://httpbin.org/html');

// 获取页面标题
$title = $crawler->filter('h1')->text();
echo "标题: " . $title . "\n";

// 遍历所有链接
$crawler->filter('a')->each(function ($node) {
    echo "链接文本: " . $node->text() . " -> " . $node->attr('href') . "\n";
});

这段代码访问测试页面并提取 h1 标题与所有 a 标签的文本和链接地址。

处理表单与 POST 请求

Goutte 支持模拟表单提交，适用于需要登录或搜索的场景：

// 访问登录页
$crawler = $client->request('GET', 'https://example-login.com');

// 选择表单并填写数据
$form = $crawler->selectButton('login')->form();
$client->submit($form, [
    'username' => 'your_user',
    'password' => 'your_pass'
]);

// 检查登录后的内容
$crawler = $client->followRedirect();
echo $crawler->filter('body')->text();

注意：字段名需根据实际 HTML 表单的 name 属性调整。

设置请求头与延时控制

为避免被目标网站屏蔽，可设置 User-Agent 并加入延时：

$client->setHeader('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36');
sleep(1); // 每次请求间隔1秒

也可使用 Guzzle 自定义客户端以支持代理、超时等更复杂配置。

基本上就这些。Goutte 简洁易用，适合中小型抓取需求。对于 JavaScript 渲染页面，建议结合 Puppeteer 或其他无头浏览器方案。