Scraping con PHP
Web scraping es el proceso de recopilar información de forma automática de la Web. Aunque existen varias formas de realizarlo, en este artículo haremos uso de Simple HTML DOM Parser.
Simple HTML DOM Parser
Lo primero es descargar el archivo desde aquí. Como ejemplo vamos a crear un archivo que muestre los titulos y la URL de los posts de este blog. Para obtener esto únicamente hay que mirar el código fuente del sitio (click derecho -> Inspect).
Como puede verse todos los artículos se encuentran dentro de un <div class="list__item"></div> por lo que habrá que recorrer los div (con un foreach) imprimiendo el título y la URL.
<?php
//Archivo descargado
require 'simple_html_dom.php';
//Web sobre la que se va a aplicar
$html = file_get_html('http://www.josemanuelvazquez.es');
//Recorremos todos los div class="list__item"
foreach( $html->find('div[class=list__item]') as $post )
{
//Obtiene el 1º <a ..></a> dentro del div
$link = $post->find('a',0);
//Obtiene el href
$url = $link->attr['href'];
//Obtiene el 1º h2, dentro de la etiqueta <a>, y obtiene su contenido
$title = $link->find('h2',0)->innertext;
//Se muestra el título y su enlace.
echo $title.'</br>'.'<a href="'.$url.'">'.$url.'</a></br></br>';
}
Se ha utilizado innertext para obtener el contenido de *<h2></h2>. También se puede utilizar tag, outertext ó plaintext. Veamos un ejemplo:
<?php
//Se aplica únicamente a este div
$html = str_get_html("<div>foo <b>bar</b></div>");
$e = $html->find("div", 0);
echo $e->tag; // Devuelve: " div"
echo $e->outertext; // Devuelve: " <div>foo <b>bar</b></div>"
echo $e->innertext; // Devuelve: " foo <b>bar</b>"
echo $e->plaintext; // Devuelve: " foo bar"
Si quieres más información sobre esto, puedes visitar la documentación.
Comentar