[PHP]スクレイピングで<br>から情報を抜き出す方法

Question

Goutteを使用してサイトの情報を抽出しています。
以下のようなソースがあり、
大人気！と○○！だけを抜き取りたいのですが

<div class="body">
 <p class="head">2017/2/17</p>
 大人気！
 <br>
 <br>
 ○○！
 <br>
 <br>
 ☆☆！
 <br>
 <br>
 ■■！
</div>

$node->filter('div.body')->filter('p.head')->text();
var_dump($node);

このように記述すると最終行の■■！まで取ってきてしまいます。
filter('br')にでもすればよいのかと思いtext()の前に付け加えてみましたがエラーが出てしまいました。

指定した<br>(行？)から取るにはどのような処理を行えばよいのでしょうか。

Comments

[Y.H.]

var_dump($node->filter('div.body')->filter('p.head')->text()); とすると具体的に何が返ってくるのでしょうか？

Answer 1

echo $node->filter('div.body')->filter('p.head')->text();

の結果が以下として

大人気！
<br>
<br>
○○！
<br>
<br>
☆☆！
<br>
<br>
■■！

地道に文字列処理で取り出すだけです。
（スクレイピングで欲しい情報を得るとはこういうものです。）

$text =  $node->filter('div.body')->filter('p.head')->text();
$arr=explode("<br>", str_replace(array("\r", "\n"), "", $text));
$result=$arr[0] . $arr[2];
echo $result;

---

取得先のコンテンツはそもそもプログラムなどで情報を取得することを前提としていないものです。
（もしプログラムなどで情報を取得することを前提にしているなら WebAPIが提供されていたりCSV等のファイルでのダウンロードが存在しているはずです。）

スクレイピングを行うということは、このようなHTMLから必要な情報を抜き出すという手法です。
取得先のコンテンツの構造が変われば（今回の場合、改行やbrタグの増減など）スクレイピングは成功しなくなります。
このような危険(取得が成功するかどうかはプログラム作成者に主導権は無くコンテンツ作成者にある)を理解したうえで採用する手法です。