php|architect's Guide to Web Scraping

192 Pages·2010·5.68 MB·English

by  Matthew Turland

php|architect’s
Guide to
Web Scraping
with PHP
Matthew Turland
php|architect’s Guide to
Web Scraping
with PHP
byMatthewTurland
php|architect’sGuidetoWebScraping
ContentsCopyright©2009–2010MatthewTurland–AllRightsReserved
Bookandcoverlayout,designandtextCopyright©2004-2010MarcoTabini&Associates,Inc.–AllRightsReserved
FirstEdition:March2010
ISBN:978-0-9810345-1-5
ProducedinCanada
PrintedintheUnitedStates
Nopartofthisbookmaybereproduced,storedinaretrievalsystem,ortransmittedinanyformor
bymeanswithoutthepriorwrittenpermissionofthepublisher,excetinthecaseofbriefquotations
embeddedincriticalreviewsorarticles.
Disclaimer
Althougheveryefforthasbeenmadeinthepreparationofthisbooktoensuretheaccuracyofthe
informationcontainedtherein, thisbookisprovided”as-is”andthepublisher, theauthor(s), their
distributorsandretailers,aswellasallaffiliated,relatedorsubsidiarypartiestakenoresponsibility
foranyinaccuracyandanyandalldamagescaused,eitherdirectlyorindirectly,bytheuseofsuch
information. Wehaveendeavouredtoproperlyprovidetrademarkinformationonallcompaniesand
productsmentionedinthebookbytheappropriateuseofcapitals.However,wecannotguaranteethe
accuracyofsuchinformation.
MarcoTabini&Associates,TheMTAlogo,php|architect,thephp|architectlogo,NanoBookandthe
NanoBooklogoaretrademarksorregisteredtrademarksofMarcoTabini&Associates,Inc.
Writtenby MatthewTurland
Publishedby MarcoTabini&Associates,Inc.
28BombayAve.
Toronto,ONM3H1B7
Canada
[phone]/[phone]
[email protected]/www.phparch.com
Publisher MarcoTabini
TechnicalReviewer LukeGiuliani
LayoutandDesign ArbiArzoumani
ManagingEditor BethTuckerLong
FinanceandResourceManagement EmanuelaCorso
Coverpicture VladimirFofanov
>
m
o
c
k.
o
o
b
e
w
o
w
w.
w
w
<
k
o
o
B
e
w!
o
W
m
o
d fr
a
o
nl
w
o
D
>
m
o
c
k.
o
o
b
e
w
o
w
w.
w
w
<
k
o
o
B
e
w!
o
W
m
o
d fr
a
o
nl
w
o
D
Contents
Credits xiii
Foreword xvii
>
m
o
c
Chapter1—Introduction 1 k.
o
IntendedAudience . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 bo
e
HowtoReadThisBook. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 w
o
w
WebScrapingDefined . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 w.
w
ApplicationsofWebScraping . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 w
<
AppropriateUseofWebScraping . . . . . . . . . . . . . . . . . . . . . . . . . 4 k
o
o
LegalityofWebScraping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 B
e
TopicsCovered . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 w!
o
W
m
Chapter2—HTTP 7 o
Requests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 d fr
a
o
GETRequests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 nl
w
AnatomyofaURL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 o
D
QueryStrings . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
POSTRequests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
HEADRequests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Responses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Headers. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Cookies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Redirection. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
vi ” CONTENTS
ReferringURLs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
PersistentConnections. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
ContentCaching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
UserAgents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Ranges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
BasicHTTPAuthentication . . . . . . . . . . . . . . . . . . . . . . . . . . 20
DigestHTTPAuthentication . . . . . . . . . . . . . . . . . . . . . . . . . 21
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Chapter3—HTTPStreamsWrapper 27
SimpleRequestandResponseHandling . . . . . . . . . . . . . . . . . . . . . 28
StreamContextsandPOSTRequests . . . . . . . . . . . . . . . . . . . . . . . 29
ErrorHandling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
HTTPAuthentication. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 m>
o
AFewMoreOptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 c
k.
o
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 o
b
e
w
o
Chapter4—cURLExtension 35 w
w.
SimpleRequestandResponseHandling . . . . . . . . . . . . . . . . . . . . . 36 w
w
ContrastingGETandPOST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 <
k
o
SettingMultipleOptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 o
B
HandlingHeaders. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 w! e
Debugging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 o
W
Cookies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 m
o
HTTPAuthentication. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 d fr
a
Redirection. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 o
nl
w
Referers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 o
D
ContentCaching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
UserAgents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
ByteRanges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
DNSCaching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Timeouts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
RequestPooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
CONTENTS ” vii
Chapter5—pecl_httpPECLExtension 49
GETRequests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
POSTRequests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
HandlingHeaders. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Debugging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Timeouts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
ContentEncoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Cookies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
HTTPAuthentication. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
RedirectionandReferers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
ContentCaching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
UserAgents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
ByteRanges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
>
RequestPooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 m
o
c
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 k.
o
o
b
e
Chapter6—PEAR::HTTP_Client 61 w
o
RequestsandResponses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 w
w.
JugglingData . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 w
w
<
WranglingHeaders . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 k
o
UsingtheClient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 Bo
e
ObservingRequests. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 w!
o
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 W
m
o
Chapter7—Zend_Http_Client 71 d fr
a
BasicRequests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 o
nl
w
Responses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 o
D
URLHandling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
CustomHeaders . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Configuration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Connectivity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Debugging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Cookies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Redirection. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
UserAgents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
viii ” CONTENTS
HTTPAuthentication. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Chapter8—RollingYourOwn 81
SendingRequests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
ParsingResponses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
TransferEncoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
ContentEncoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Timing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Chapter9—TidyExtension 89
Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Tidy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Input . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 >
m
Configuration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 o
c
k.
Options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 o
o
b
Debugging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 e
w
o
Output . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 w
w.
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 w
w
<
k
Chapter10—DOMExtension 99 o
o
B
TypesofParsers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 e
w!
LoadingDocuments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 o
W
TreeTerminology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 m
o
ElementsandAttributes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 d fr
LocatingNodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 a
o
nl
XPathandDOMXPath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 w
o
AbsoluteAddressing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 D
RelativeAddressing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
AddressingAttributes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Unions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Conditions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Resources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
CONTENTS ” ix
Chapter11—SimpleXMLExtension 113
LoadingaDocument . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
AccessingElements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
AccessingAttributes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
ComparingNodes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
DOMInteroperability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
XPath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Chapter12—XMLReaderExtension 121
LoadingaDocument . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Iteration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Nodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
ElementsandAttributes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 m>
o
DOMInteroperation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 c
k.
o
ClosingDocuments. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 o
b
e
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 w
o
w
w.
Chapter13—CSSSelectorLibraries 129 w
w
ReasontoUseThem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 <
k
o
Basics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 o
B
HierarchicalSelectors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 w! e
BasicFilters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 o
W
ContentFilters. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 m
o
AttributeFilters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 d fr
a
ChildFilters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 o
nl
w
FormFilters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 o
D
Libraries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
PHPSimpleHTMLDOMParser . . . . . . . . . . . . . . . . . . . . . . . 138
Zend_Dom_Query . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
phpQuery . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
DOMQuery. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Wrap-Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140