Для настройки парсера используются различные селекторы контента.  Неподготовленный пользователь боится незнакомого словосочетания, но на практике всё довольно просто.


Каждая страница или файл имеет свою структуру, по которой браузер строит страницу. В этой структуре у каждого элемента есть свой адрес. Селектор - это правило, по которому можно выделить нужный элемент. Они простые и быстро осваиваются.

Посмотреть код любого элемента на странице можно при помощи браузера. Достаточно кликнуть правой кнопкой мыши по элементу и выбрать соответствующий пункт. В разных версиях браузеров они имеют своё название, но общий смысл всегда одинаковый. Пример из браузера Firefox версии 55:



После нажатия на "Исследовать элемент" откроется консоль разработчика, где отобразится исходный код страницы, а элемент будет выделен:



Так можно быстро подсмотреть код любого элемента на любой странице. Цена, ссылка, картинка — всё это доступно по правому клику по элементу. Живой пример можно найти в любом из наших роликов по настройке парсера.

Любая HTML-страничка состоит из элементов (div, span, br, p, table и т.п.), которые могут иметь классы (class="класс1 класс2"), идентификаторы (id="buy_btn") и другие атрибуты (title="заголовок"). Каждый элемент может быть вложен в другой элемент. Селектор нам помогает в этом ориентироваться.

В большинстве ситуаций достаточно самых простых селекторов:

•  #id — для элементов по их уникальному идентификатору.
  
•  element — для элементов по названию элемента
  
•  .class — для выбора элементов по классу
• [attribute] — для атрибутов
  
•  * — для выбора всех элементов

• #tovar — выберет элемент, у которого идентификатор равен tovar. Например, <a id="tovar"> подойдёт .
• #tovar a.nash  — выберет все элементы a, с классом class="nash", которые лежат внутри элемента, у которого id="tovar".
• table.catalog.content .odd.item span — выберет все элементы span, которые лежат внутри любых элементов, у которых одновременно есть классы odd и item (Например, class="odd type5-par item item-tovar"), которые находятся внутри таблицы с классами catalog и content.
  

Подберём селекторы для четырёх обозначенных значений товара, а также сам селектор товара.
Для каждой страницы id элементов должны быть уникальны, потому селектор товара на странице нашли, это будет #tovar. Где-то на странице может быть много других элементов div, но div#tovar только один.

1. Ссылка на товар хранится в элементе a, в его атрибуте href. Элементов a на странице несколько, поэтому нужно найти уникальный признак. В нашем случае есть несколько вариантов. Можно указать уникальный класс. link не подходит, он не уникален. Пишем оставшийся, получается селектор a.snippet-cell[href]. Парсер найдёт внутри div два разных элемента a, выберет единственный с классом snippet-cell, а из него уже заберёт значение атрибута href. В поле запишется "/product/15".
2. Искомое название выделить очень легко, у нас только один элемент h4. Пишем h4[title]. В поле попадёт значение "Мотоблок Нева".
   
3. Опять простой вариант, значение хранится внутри уникального тега. Пишем h4. В поле попадёт значение "Мотоблок Нева МБ-23Б".
   
4. Здесь можно привязаться к сочетанию элемента и класса, можно к его порядку. Подходящий селектор span.title_size_15. В поле попадёт значение "200". 

Ситуация может оказаться гораздо сложнее. Число элементов может меняться, у них может не быть уникальных классов, их может быть сложно выделить из остальных. В таких случаях помогают более продвинутые селекторы:

:not(селектор) — для элементов, не содержащих селектор.
:eq(число) — для выбора элемента по порядку. Начинается с нуля. :eq(0) выберет первый элемент, :eq(1) выделит второй, :eq(7) отметит только шестой и т.д.
:last — для последнего элемента.

На примере с мотоблоками можно было не привязываться к классам и написать селекторы иначе:

1. a:eq(0)[href] — данные получим из атрибута href первой ссылки.
2. h4[title]
3. h4
4. span:eq(0) — данные берём из первого элемента span.

Для более сложных ситуаций есть селекторы иерархии, содержимого и много других. Полный список можно увидеть на странице руководства по phpquery. Однако не стоит сразу пытаться соорудить очень сложный селектор. Часто значения дублируются на превью и детальной странице товара, выбирайте самый простой вариант (по id, если его нет, то по классам и т.д)


Проверить селектор часто можно без запуска парсера. Для этого нужно открыть страницу, активировать консоль разработчика (F12), переключиться на вкладку "Консоль", а там ввести селектор в виде $('селектор') и нажать ввод. Если на странице подключен скрипт JQuery, браузер отобразит подходящий под селектор элемент:



Для других форматов файлов существуют свои структурные особенности, однако общие принципы неизменны. Везде есть элементы и атрибуты, а для парсера нужно просто указать уникальный к ним путь.