Percorrendo elementos de um HTML com PHP

Muitas vezes vi programadores perguntando como se faz para um script PHP obter os links de um documento HTML (obter os links de uma página) ou então as imagens (obter as imagens de uma página) ou outro elemento qualquer. Este artigo mostra como percorrer elementos de um documento HTML e capturá-los de acordo com seu nome ou atributo. Para tanto, é utilizada a extensão DOM.

Para obter todos elementos de um documento HTML você tem duas opções: (i) realizar buscas via expressão regular, ou (ii) utilizar algum recurso capaz de ler todo o documento e estruturá-lo na forma de um objeto (ou outra estrutura de dados organizada).

Usar expressões regulares pode ser simples, em alguns casos. No entanto, a segunda opção tende a ser mais segura. Já vimos que a extensão SimpleXML é capaz de estruturar um XML em um objeto de fácil manipulação. No entanto, nem todas páginas são XHTML válidas. Para ler um documento HTML 4.01, por exemplo, ela pode não funcionar. Por outro lado, a extensão DOM é capaz de ler um documento HTML e, inclusive, ignorar alguns erros de sintaxe. DOM é uma especificação definda pela W3C e normalmente é implementada em JavaScript nativamente. Em PHP, as classes e métodos tem o mesmo nome e funcionamento, mudando apenas a sintaxe da linguagem (para um objeto invocar um método, por exemplo, usa-se "." em JavaScript, mas usa-se "->" em PHP).

Veja um exemplo de como percorrer os links e as imagens de uma página e exibir o conteúdo do atributo "href" dos links e "src" das imagens:

$dom = new DOMDocument();
$dom->loadHTMLFile('teste.html');

// Consultando os links
$links = $dom->getElementsByTagName('a');
foreach ($links as $link) {
    echo $link->getAttribute('href').PHP_EOL;
}

// Consultando as imagens
$imgs = $dom->getElementsByTagName('img');
foreach ($imgs as $img) {
    echo $img->getAttribute('src').PHP_EOL;
}

O método loadHTMLFile serve para ler um documento HTML no próprio servidor ou em um endereço web externo (caso o PHP esteja devidamente configurado para permitir isso). Já o método loadHTML recebe um código HTML diretamente.

A extensão DOM possui muitas outras funcionalidades úteis. Vale a pena dar uma olhada na documentação da extensão DOM.