XPath — язык запросов к XML и HTML. В PHP он работает через DOMDocument и DOMXPath. Это надёжнее регулярных выражений: вы описываете структуру, а не угадываете теги.

Базовая загрузка

$dom = new DOMDocument();
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_clear_errors();

$xpath = new DOMXPath($dom);
$nodes = $xpath->query('//h2');

loadHTML() прощает незакрытые теги, но может добавлять html и body. Если нужен строгий XML, используйте loadXML().

Выборка по классу и атрибуту

// Все ссылки с классом product-link
$links = $xpath->query('//a[contains(concat(" ", normalize-space(@class), " "), " product-link ")]');

// Элементы с data-id
$items = $xpath->query('//*[@data-id]');

// Ссылки, начинающиеся с /catalog/
$catalog = $xpath->query('//a[starts-with(@href, "/catalog/")]');

Сравнение класса через contains(@class, "product") может поймать product-card и product-list. Если нужен точный класс, используйте concat и normalize-space, как выше.

Текст и родственные узлы

// Заголовок и следующий за ним абзац
$title = $xpath->query('//h1')->item(0)?->textContent;
$price = $xpath->query('//span[@class="price"]/following-sibling::span[1]');

textContent собирает весь текст, включая вложенные теги. Если нужен только прямой текст, используйте text() и объединяйте узлы вручную.

Пространства имён

В XHTML и SVG теги могут быть в пространстве имён. Тогда простой //div не сработает. Зарегистрируйте префикс:

$xpath->registerNamespace('x', 'http://www.w3.org/1999/xhtml');
$nodes = $xpath->query('//x:div[@class="content"]');

Ошибки, которые ломают парсер

  • Регулярки вместо DOM. Вложенные теги и атрибуты делают regex хрупким;
  • Абсолютные пути от корня. Один новый div — и выборка пустая;
  • Игнорирование libxml_use_internal_errors. Предупреждения ломают вывод;
  • Кодировка. Для кириллицы добавьте префикс <?xml encoding="UTF-8"> или используйте mb_convert_encoding;
  • Динамический HTML. Если данные подгружаются JavaScript, XPath увидит только исходный HTML.

Проверка выборки

Перед сохранением проверьте количество узлов и несколько примеров. Если селектор вернул 0 элементов, не считайте это «пустой страницей»: возможно, изменилась вёрстка. Сохраняйте HTML для отладки.

Коротко

  • DOMDocument + DOMXPath надёжнее regex;
  • для классов используйте точное сравнение;
  • следите за пространствами имён и кодировкой;
  • проверяйте выборку на реальных страницах;
  • JS-контент XPath не увидит.