HTML Scraping и CSS-запросы

Question

Каковы преимущества и недостатки следующих библиотек?

• PHP простой HTML DOM парсер
• QP.
• PhPQuery

Из приведенного выше я использовал QP, и он не смог проанализировать неверный HTML и SimpledMarser, который делает хорошую работу, но это вроде утечки памяти из-за модели объекта. Но вы можете держать это под контролем, позвонив $object->clear(); unset($object); Когда вам больше не нужен объект.

Есть ли еще скребки? Каковы ваши переживания с ними? Я собираюсь сделать это сообщество Wiki, возможно, мы построим полезный список библиотек, которые могут быть полезны при сострании.

---

Я сделал некоторые тесты на основе ответа Байрона:

    <?
    include("lib/simplehtmldom/simple_html_dom.php");
    include("lib/phpQuery/phpQuery/phpQuery.php");


    echo "<pre>";

    $html = file_get_contents("http://stackoverflow.com/search?q=favorite+programmer+cartoon");
    $data['pq'] = $data['dom'] = $data['simple_dom'] = array();

    $timer_start = microtime(true);

    $dom = new DOMDocument();
    @$dom->loadHTML($html);
    $x = new DOMXPath($dom);

    foreach($x->query("//a") as $node)
    {
         $data['dom'][] = $node->getAttribute("href");
    }

    foreach($x->query("//img") as $node)
    {
         $data['dom'][] = $node->getAttribute("src");
    }

    foreach($x->query("//input") as $node)
    {
         $data['dom'][] = $node->getAttribute("name");
    }

    $dom_time =  microtime(true) - $timer_start;
    echo "dom: \t\t $dom_time . Got ".count($data['dom'])." items \n";






    $timer_start = microtime(true);
    $doc = phpQuery::newDocument($html);
    foreach( $doc->find("a") as $node)
    {
       $data['pq'][] = $node->href;
    }

    foreach( $doc->find("img") as $node)
    {
       $data['pq'][] = $node->src;
    }

    foreach( $doc->find("input") as $node)
    {
       $data['pq'][] = $node->name;
    }
    $time =  microtime(true) - $timer_start;
    echo "PQ: \t\t $time . Got ".count($data['pq'])." items \n";









    $timer_start = microtime(true);
    $simple_dom = new simple_html_dom();
    $simple_dom->load($html);
    foreach( $simple_dom->find("a") as $node)
    {
       $data['simple_dom'][] = $node->href;
    }

    foreach( $simple_dom->find("img") as $node)
    {
       $data['simple_dom'][] = $node->src;
    }

    foreach( $simple_dom->find("input") as $node)
    {
       $data['simple_dom'][] = $node->name;
    }
    $simple_dom_time =  microtime(true) - $timer_start;
    echo "simple_dom: \t $simple_dom_time . Got ".count($data['simple_dom'])." items \n";


    echo "</pre>";

и получил

dom:         0.00359296798706 . Got 115 items 
PQ:          0.010568857193 . Got 115 items 
simple_dom:  0.0770139694214 . Got 115 items 

Answer 1

Раньше я использовал простой HTML DOM исключительно до тех пор, пока некоторые яркие So'ers не показали мне легкую галлилуйю.

Просто используйте встроенные функции DOM. Они написаны в C и часть ядра PHP. Они быстрее более эффективны, чем любое трехстороннее решение. С Firebug, получение запроса XPath - Muey Simple. Это простые изменения сделали мои скребки на основе PHP бегать быстрее, сохраняя мое драгоценное время.

Мои скребки использовали ~ 60 мегабайт, чтобы скорсировать 10 сайтов асинронизм с завитками. Это было даже при простом HTML DOM-памяти, которую вы упомянули.

Теперь мои процессы PHP никогда не проходят выше 8 мегабайт.

Настоятельно рекомендуется.

РЕДАКТИРОВАТЬ

Хорошо, я сделал несколько ориентиров. Встроенный в доме, по крайней мере, порядка быстрее.

Built in php DOM: 0.007061
Simple html  DOM: 0.117781

<?
include("../lib/simple_html_dom.php");

$html = file_get_contents("http://stackoverflow.com/search?q=favorite+programmer+cartoon");
$data['dom'] = $data['simple_dom'] = array();

$timer_start = microtime(true);

$dom = new DOMDocument();
@$dom->loadHTML($html);
$x = new DOMXPath($dom); 

foreach($x->query("//a") as $node) 
{
     $data['dom'][] = $node->getAttribute("href");
}

foreach($x->query("//img") as $node) 
{
     $data['dom'][] = $node->getAttribute("src");
}

foreach($x->query("//input") as $node) 
{
     $data['dom'][] = $node->getAttribute("name");
}

$dom_time =  microtime(true) - $timer_start;

echo "built in php DOM : $dom_time\n";

$timer_start = microtime(true);
$simple_dom = new simple_html_dom();
$simple_dom->load($html);
foreach( $simple_dom->find("a") as $node)
{
   $data['simple_dom'][] = $node->href;
}

foreach( $simple_dom->find("img") as $node)
{
   $data['simple_dom'][] = $node->src;
}

foreach( $simple_dom->find("input") as $node)
{
   $data['simple_dom'][] = $node->name;
}
$simple_dom_time =  microtime(true) - $timer_start;

echo "simple html  DOM : $simple_dom_time\n";