CakePHP3でPHP Simple HTML DOM Parserを使ってスクレイピングする方法

2020/01/29 2020/02/08

CakePHP3＋PHP Simple HTML DOM Parserでスクレイピング

CakePHP3＋PHP Simple HTML DOM Parserでスクレイピング解説記事の事前説明

　
この記事は、CakePHP3に PHP Simple HTML DOM Parserをインストールしてスクレイピングをする環境を作る解説をするという内容です。
　
　
PHPでスクレイピングというと「phpQuery」に関連する記事が大量に出てきますが、「phpQuery」ではなく「PHP Simple HTML DOM Parser」の方をオススメする理由を「PHPでスクレイピング。phpQueryとphp-simple-html-dom-parserの比較と設置方法」として記事にしましたので、興味があれば読んでください。
また、この記事では、PHP Simple HTML DOM Parserの基本的な設置方法も書いています。
　
　
また、PHP Simple HTML DOM Parserの設置方法、基本的な使い方については「PHPのスクレイピングライブラリ「PHP Simple HTML DOM Parser」の使い方」として記事にしていますのでこちらを参考にしてください。
　
この記事に書いてあるのは、CakePHP3で PHP Simple HTML DOM Parserを使えるようにするところまでの内容です。
　
　
スクレイピングをする前に、PHPから Webサイトにアクセスする方法としては「file_get_contents」より「cURL」の方をオススメしますが、その理由を「PHPのcURLでAPIやWebサイトへのアクセス方法。file_get_contentsとの比較」として記事にしていますのでこちらも参考にしてください。
　
ただ、CakePHP3の場合は、Http Clientというライブラリが用意されていますので、それを利用するといいでしょう。
　
　

CakePHP3に PHP Simple HTML DOM Parserを設置する方法

１．PHP Simple HTML DOM Parser のインストール

　
まず初めに「PHP Simple HTML DOM Parser」をインストールします。
　
CakePHP3では、composerを使ってライブラリをインストールします。
下記のコマンドを実行します。
　

$ composer require kub-at/php-simple-html-dom-parser

1	$ composer require kub-at/php-simple-html-dom-parser

　
　
他の環境に合わせるために「PHP Simple HTML DOM Parser」のバージョンを指定してインストールする場合は、下記の「:1.9」のように最後にバージョンを追加します。
　

$ composer require kub-at/php-simple-html-dom-parser:1.9

1	$ composer require kub-at/php-simple-html-dom-parser:1.9

　
詳しくは「CakePHP3でcomposerを利用してライブラリ・プラグインをインストールする方法」を参照してください。
　
　

２．PHP Simple HTML DOM Parserを読み込む

　
続いて、インストールした PHP Simple HTML DOM Parserを CakePHP3で使うために呼び出す処理を記述します。
　

use KubAT\PhpSimple\HtmlDomParser;

1	use KubAT\PhpSimple\HtmlDomParser;

　
　
例えば、SampleController.phpで PHP Simple HTML DOM Parserを使うのであれば、SampleController.phpに記述します。
　
　
これで PHP Simple HTML DOM Parserは使えるようになります。
　
　

３．PHP Simple HTML DOM Parserでスクレイピングをするサンプルソース

　
前項までで PHP Simple HTML DOM Parserを使う準備はできましたので、この後では実際にスクレイピングをするサンプルソースを書いておきます。
　
　
その前に、スクレイピングをするためには Webサイトを読み込む必要がありますので、 Http Clientなどを利用することになります。
　
そのために、前項で追記した内容の次の行あたりに下記を追記します。
　

use Cake\Http\Client;

1	use Cake\Http\Client;

　
　
そして、スクレイピングを行う処理のサンプルソースは以下のようになります。
　

    public function index(){
        // UserAgent
        define("USER_AGENT_TEXT", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36");

        // スクレイピング対象サイトの URL
        $url = "https://www.yahoo.co.jp/";

        // UAがないとエラーになるサイトの場合は、UAを設定する
        $option = ['headers' => ['User-Agent' => USER_AGENT_TEXT]];

        $http = new Client($option);

        // URLにアクセスし HTMLを取得
        $htmlSource  = $http->get($url)->getStringBody();

        // HTMLファイルから DOMオブジェクトを作成
        $html = HtmlDomParser::str_get_html($htmlSource);

        // スクレイピング（「a」タグを取得）
        echo implode("<br>", $html->find("a"));
    }

public function index(){

// UserAgent

define("USER_AGENT_TEXT", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36");

// スクレイピング対象サイトの URL

$url = "https://www.yahoo.co.jp/";

// UAがないとエラーになるサイトの場合は、UAを設定する

$option = ['headers' => ['User-Agent' => USER_AGENT_TEXT]];

$http = new Client($option);

// URLにアクセスし HTMLを取得

$htmlSource = $http->get($url)->getStringBody();

// HTMLファイルから DOMオブジェクトを作成

$html = HtmlDomParser::str_get_html($htmlSource);

// スクレイピング（「a」タグを取得）

echo implode("<br>", $html->find("a"));

}

　
ヤフーのサイト「https://www.yahoo.co.jp/」から、「a」タグを取得し、それを画面に表示する、というソースになっています。
　
それぞれの行にコメントを書いているので処理内容は分かるかと思います。
　
　
最初にも書きましたが、PHP Simple HTML DOM Parserの具体的な使い方に関しては「PHPのスクレイピングライブラリ「PHP Simple HTML DOM Parser」の使い方」を参照してください。
　
　

http client()に User Agentを指定する方法

　
PHPから Webサイトにアクセスするときは、cURLを使うことをオススメします、と下記の記事でも書きました。
PHPのcURLでAPIやWebサイトへのアクセス方法。file_get_contentsとの比較
　
　
ですが、CakePHP3には http client() という便利なライブラリが用意されていますのでこれを利用すると便利です。
　
Cookbook　Http Client
https://book.cakephp.org/3/ja/core-libraries/httpclient.html
　
http、httpsを区別なくアクセスすることができたり、POSTでリクエストボディを送信できたり、Basic認証や OAuth2認証なども処理してくれます。
　
　
Http Clientの基本的な使い方に関しては、上記の Cookbookに書いてありますので参照してもらえるといいのですが、User Agentを設定してサイトにアクセスする方法の記載がありませんでしたのでここで解説をしておきます。
　

// UAがないとエラーになるサイトの場合は、UAを設定する
$option = ['headers' => ['User-Agent' => USER_AGENT_TEXT]];

$http = new Client($option);

// URLにアクセスし HTMLを取得
$htmlSource  = $http->get($url)->getStringBody();

// UAがないとエラーになるサイトの場合は、UAを設定する

$option = ['headers' => ['User-Agent' => USER_AGENT_TEXT]];

$http = new Client($option);

// URLにアクセスし HTMLを取得

$htmlSource = $http->get($url)->getStringBody();

　
　
User Agentを指定するには、オプションとして「headers」に指定をします。
簡単な設定で User Agentを指定してアクセスをすることができるようになります。
　
また、HTMLの本体を取得する場合は「->getStringBody()」を記述します。
　
また、定数「USER_AGENT_TEXT」はプログラム内のどこかで指定をしておいてください。
　
　

- CakePHP 3.x 4.x 5.x CakePHP3

最後までお読みいただきましてありがとうございます。
この記事が参考になったと思いましたらソーシャルメディアで共有していただけると嬉しいです！

Message コメントをキャンセル

※入力いただいたコメントは管理者の承認後に掲載されます。

: CakePHP 2.3　Search Pluginで検索処理　その４前方一致検索、後方一致検索、不等号による検索、between句による範囲検索

CakePHPの検索プラグイン Search Pluginの検索処理の中で前方一致検索、後方一致検索、不等号による検索、between句による範囲検索の解説です。

: CakePHP3の検索プラグイン「friendsofcake/search」の設置方法・CakePHP3.6対応

CakePHP3で検索を担うプラグイン「friendsofcake/search」の紹介。基本的な設置方法の紹介のほか、処理の記述方法のバリエーション、エラーの解説など。CakeDC/searchより導入は簡単！

: CakePHP4のCakeDC/Usersの画面、メール本文テンプレートのカスタマイズ方法解説

CakeDC謹製Usersプラグインの紹介。ユーザ新規登録の流れを紹介しつつ、テンプレートファイル、設定情報ファイルの場所とそれらをカスタマイズする方法を説明します。

: CakePHP3でユーザ定義の定数、変数を設定し、読み込む方法解説

CakePHP3で定数や共通で使う変数をまとめて設定し、プログラム内で読み込む方法を、bootstrap.phpに直接記述する方法と定数ファイルを分ける方法の3つの方法で解説。

: CakePHP 2.3　ID以外のカラムでアソシエーション（連携）をさせる場合

ID以外のカラムでアソシエーション（連携）させるための考え方とサンプルソースを用いての説明を行っています。

: CakePHP3のOGPはHTMLヘルパーの$this->Html->meta()を使って設定

CakePHP3でOGPを設定する方法を解説。metaタグを編集するHTMLヘルパーを利用してOGPのタグを編集する。また、エレメントとして分割することでメンテナンス性も向上させる。

: CakePHP 2.3でファイルのアップロード処理を作る

CakePHPでプラグインを使わないファイルアップロード処理を解説します。簡単です。DBにファイルを格納する方法も。

: CakePHP4のCakeDC/Usersの Usersへの接続、バリデーションのカスタマイズ方法解説

CakeDC謹製Usersプラグインの紹介。CakePHP4で使う場合のUsersのカスタマイズとして入力項目のバリデーションの変更を、プラグインのファイルは触らずオーバーライドにより実装する方法を解説する。