Регулярками можно вытащить одну ссылку, но разбор списка карточек быстро превращается в хрупкий набор шаблонов. Для HTML есть нормальный инструмент — DOM. В PHP удобнее всего Symfony DomCrawler: он даёт jQuery-подобные селекторы и не требует поднимать браузер.

Когда XPath мало

XPath мощный, но громоздкий: //div[@class="card"]//a/@href читается хуже, чем .card a. Если вёрстка стабильна и селекторы простые, CSS-синтаксис быстрее писать и легче поддерживать. XPath выручает там, где нужен выбор по тексту или сложная ось «предок — потомок»; об этом есть отдельная статья про XPath для парсинга HTML.

Установка

composer require symfony/dom-crawler symfony/css-selector

Второй пакет обязателен: без него filter() с CSS-селектором выбросит исключение. В Laravel оба компонента обычно уже доступны транзитивно, но лучше указать их явно.

Первый разбор

use Symfony\Component\DomCrawler\Crawler;

$html = file_get_contents('https://example.ru/catalog');
$crawler = new Crawler($html);

$items = $crawler->filter('.product-card')->each(function (Crawler $node) {
    return [
        'title' => trim($node->filter('.product-card__title')->text()),
        'price' => trim($node->filter('.price')->text()),
        'url'   => $node->filter('a')->attr('href'),
    ];
});

each() возвращает массив результатов. Внутри замыкания $node — уже отдельный фрагмент, поэтому селекторы ищут только внутри карточки, а не по всей странице.

Текст, атрибуты, ссылки

text() возвращает содержимое без тегов, но с схлопнутыми пробелами по краям. Для длинных блоков удобнее text(null, true): второй аргумент нормализует пробелы и переносы. Атрибут берётся через attr('href'), а если элемента нет — вернётся null, и это нужно обрабатывать.

Абсолютный адрес собирайте вручную: href может быть относительным, начинаться с // или содержать ../. Простой резолвер на parse_url() и http_build_url() надёжнее, чем конкатенация строк.

Вложенность и фильтры

Селекторы поддерживают вложенность и псевдоклассы: ul > li:first-child, a[href^="/blog/"], tr:nth-child(2) td. Если нужно отфильтровать уже выбранные узлы, используйте reduce():

$links = $crawler->filter('a')->reduce(fn (Crawler $node) => str_starts_with($node->attr('href') ?? '', '/blog/'))->each(fn (Crawler $node) => $node->attr('href'));

Для сложных условий переходите на filterXPath(). Смешивать оба синтаксиса в одном проекте нормально: CSS — для структуры, XPath — для текста и осей.

Кодировка

Если страница в CP1251, new Crawler($html) покажет кракозябры. Приводите ответ к UTF-8 до разбора: mb_convert_encoding($html, 'UTF-8', 'CP1251'). Кодировку берите из заголовка Content-Type или <meta charset>, а не угадывайте по тексту.

Для больших страниц не тяните весь HTML в память дважды: передавайте строку сразу в конструктор и не сохраняйте промежуточные копии.

Ограничения и производительность

DomCrawler строит DOM целиком. Страница на несколько мегабайт с тысячами узлов займёт заметно больше памяти, чем исходный HTML. Для сотен страниц запускайте обработку порциями и освобождайте переменные, иначе процесс упрётся в memory_limit.

Инструмент не выполняет JavaScript. Если данные подгружаются скриптом, селекторы увидят пустой контейнер — сначала проверьте, нет ли JSON-эндпоинта, как описано в статье парсинг JSON API.

Для каталога одного селектора мало: нужен обход страниц. Ссылку на следующую страницу ищите по rel="next" или кнопке с классом, но надёжнее собрать адреса из sitemap.xml — об этом статья обход сайта по sitemap. Не привязывайтесь к сгенерированным классам вида css-1x2y3z: после сборки фронтенда они меняются, а семантические атрибуты и data-* живут дольше.

Сохраняйте исходный HTML при ошибке разбора: без него невозможно понять, изменилась вёрстка или сайт вернул заглушку. Ограничьте число попыток и не парсите страницу повторно, если код ответа 404 или 410 — это не временный сбой.

Для регулярного запуска добавьте уникальный индекс по нормализованному URL, иначе повторный проход создаст дубли. О нормализации и upsert — дедупликация при парсинге.

Для отладки селекторов сохраните страницу локально и разбирайте файл, а не сеть: так проще повторять и сравнивать. Имя файла с датой подскажет, когда изменилась вёрстка. Если сайт отдаёт разные версии для мобильных и десктопных браузеров, фиксируйте User-Agent и сравнивайте одинаковые. И не запускайте разбор десяти тысяч страниц без прогресса: процесс упадёт по памяти, не оставив следа.

Коротко

  • DomCrawler + css-selector дают привычные CSS-селекторы;
  • each() и reduce() упрощают обход списков;
  • проверяйте null у атрибутов и резолвьте относительные ссылки;
  • кодировку приводите к UTF-8 до разбора;
  • JavaScript DomCrawler не выполняет — ищите API.