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 используйтеmb_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.