«

PHP html dom解析器(Simple HTML DOM)使用方法介绍

时间:2024-2-17 10:35     作者:韩俊     分类: PHP


一直以来使用php解析html文档树都是一个难题。Simple HTML DOM parser 帮我们很好地解决了使用 php html 解析 问题。可以通过这个php类来解析html文档,对其中的html元素进行操作 (PHP5+以上版本)。

解析器不仅仅只是帮助我们验证html文档;更能解析不符合W3C标准的html文档。它使用了类似jQuery的元素选择器,通过元素的id,class,tag等等来查找定位;同时还提供添加、删除、修改文档树的功能。当然,这样一款强大的html Dom解析器也不是尽善尽美;在使用的过程中需要十分小心内存消耗的情况。不过,不要担心;本文中,笔者在最后会为各位介绍如何避免消耗过多的内存。

Simple HTML DOM parser 下载地址:

https://github.com/sunra/php-simple-html-dom-parser

使用 Simple HTML DOM parser 解析 html 文本内容

载入 html 文本内容

有四种方式载入被解析的html内容:

<?php
// 新建一个Dom实例
$html = new simple_html_dom();

// 从url中加载
$html->load_file('http://www.maopiaopiao.com');

// 从字符串中加载
$html->load('<html><body>从字符串中加载html文档演示</body></html>');

//从文件中加载
$html->load_file('path/file/test.html');

//直接通过 file_get_html 函数加载

$html = file_get_html('http://www.maopiaopiao.com');

注意:如果从字符串加载html文档,需要先从网络上下载。建议使用cURL来抓取html文档并加载DOM中。

查找html元素

可以使用find函数来查找html文档中的元素。

返回的结果是一个包含了对象的数组。我们使用HTML DOM解析类中的函数来访问这些对象,下面给出几个示例:

<?php

//查找html文档中的超链接元素
$a = $html->find('a');

//查找文档中第(N)个超链接,如果没有找到则返回空数组.
$a = $html->find('a', 0);

// 查找id为main的div元素
$main = $html->find('div[id=main]',0);

// 查找所有包含有id属性的div元素
$divs = $html->find('div[id]');

// 查找所有包含有id属性的元素
$divs = $html->find('[id]');

使用类似jQuery的选择器来查找定位元素

<?php
// 查找id='#container'的元素
$ret = $html->find('#container');

// 找到所有class=foo的元素
$ret = $html->find('.foo');

// 查找所有class=phpernote的div元素
$ret = $html->find('div.phpernote');

// 查找多个html标签
$ret = $html->find('a, img');

// 还可以这样用
$ret = $html->find('a[title], img[title]');

解析器支持对子元素的查找

<?php

// 查找 ul列表中所有的li项
$ret = $html->find('ul li');

//查找 ul 列表指定class=selected的li项
$ret = $html->find('ul li.selected');

如果你觉得这样用起来麻烦,使用内置函数可以轻松定位元素的父元素、子元素与相邻元素

<?php
// 返回父元素
$e->parent;

// 返回子元素数组
$e->children;

// 通过索引号返回指定子元素
$e->children(0);

// 返回第一个资源速
$e->first_child ();

// 返回最后一个子元素
$e->last _child ();

// 返回上一个相邻元素
$e->prev_sibling ();

//返回下一个相邻元素
$e->next_sibling ();

元素属性操作

使用简单的正则表达式来操作属性选择器。

[attribute] – 选择包含某属性的html元素

[attribute=value] – 选择所有指定值属性的html元素

[attribute!=value] – 选择所有非指定值属性的html元素

[attribute^=value] – 选择所有指定值开头属性的html元素

[attribute$=value] – 选择所有指定值结尾属性的html元素

[attribute*=value] – 选择所有包含指定值属性的html元素

在解析器中调用元素属性

在DOM中元素属性也是对象:

<?php
// 本例中将$a的锚链接值赋给$link变量
$link = $a->href;

或者:

<?php
$link = $html->find('a',0)->href;

每个对象都有4个基本对象属性:

tag – 返回html标签名

innertext – 返回innerHTML

outertext – 返回outerHTML

plaintext – 返回html标签中的文本

在解析器中编辑元素

编辑元素属性的用法和调用它们是类似的:

<?php
//给$a的锚链接赋新值
$a->href = 'http://www.maopiaopiao.com';

// 删除锚链接
$a->href = null;

// 检测是否存在锚链接
if(isset($a->href)) {
//代码
}

解析器中没有专门的方法来添加、删除元素,不过可以变通一下使用:

<?php

// 封装元素
$e->outertext = '<div class="wrap">' . $e->outertext . '<div>';

// 删除元素
$e->outertext = '';

// 添加元素
$e->outertext = $e->outertext . '<div>foo<div>';

// 插入元素
$e->outertext = '<div>foo<div>' . $e->outertext;

保存修改后的html DOM文档也非常简单:

<?php
$doc = $html;
// 输出
echo $doc;

如何避免解析器消耗过多内存

在本文的开篇中,笔者就提到了Simple HTML DOM解析器消耗内存过多的问题。如果php脚本占用内存太多,会导致网站停止响应等一系列严重的问题。

解决的方法也很简单,在解析器加载html文档并使用完成后,记得清理掉这个对象就可以了。

// 清理
$html->clear();

具体使用案例:

<?php

include_once 'simple_html_dom.php';

$url = 'http://www.maopiaopiao.com/';
$html = file_get_html($url);
$logoImg = $html->find('img#logoImg', 0);
// 获取 logo 图片地址
echo $logoImg->src; //输出:/images/logo.gif
// 获取 logo 的链接地址
echo $logoImg->parent()->href; //输出:http://www.maopiaopiao.com/

// 输出最新文章列表
$left = $html->find('#left_sidebar ul', 0);
echo $left->children(2)->find('ul', 0)->innertext;

标签: php php教程

热门推荐