PHP使用DomDocument抓取HTML内容

有时候会有需要从一个HTML页面来分离出你需要的一些数据来进行处理。

当然自己分析文件肯定可以，但是比较快速且方便的是使用正则表达式或者DOM。

鉴于正则表达式我不熟悉，所以我打算使用DOM来完成。

 

先谈谈我的需求，我要从一个HTML页面的一个表格中提取数据并且将这个数据整理出来加入到MySQL数据库中。

假设目标HTML中我感兴趣的Table有3列，分别是ID，Name，内容。

index.php;

?

<?php

/*

 * To change this template, choose Tools | Templates

 * and open the template in the editor.

 */

 $urlTarget = "http://www.xxxx.com/targethtmlpage.html";

require_once('ContentManager.php');

//建立Dom对象，分析HTML文件；

 $htmDoc = new DOMDocument;

 $htmDoc->loadHTMLFile($urlTarget );

 $htmDoc->normalizeDocument();

//获得到此文档中每一个Table对象；

 $tables_list = $htmDoc->getElementsByTagName('table');

//测试Table Count；

 $tables_count = $tables_list->length;

 foreach ($tables_list as $table)

 {

 //得到Table对象的class属性

 $tableProp = $table->getAttribute('class');

 if ($tableProp == 'target_table_class')

 {

 $contentMgr = new ContentManager();

 $contentMgr->ParseFromDOMElement($table);

//这里myParser就完成了分析动作。然后就可以进行需要的操作了。

 //比如写入MySQL。

 $contentMgr->SerializeToDB();

 }

 }

 ?>

 
ContentManager.php

?

<?php

/*

 * To change this template, choose Tools | Templates

 * and open the template in the editor.

 */

/**

 * Description of ContentParser

 *

 * @author xxxxx

 */

 require_once('ContentInfo.php');

 class ContentManager {

 //put your code here

 var $ContentList;

 public function __construct() {

 $this->ContentList = new ArrayObject();

 }

public function ParseFromDOMElement(DOMElement $table)

 {

 $rows_list = $fundsTable->getElementsByTagName('tr');

 $rows_length = $rows_list->length;

 $index = 0;

foreach ($rows_list as $row)

 {

 $contentInfo = new ContentInfo();

 $contentInfo->ParseFromDOMElement($row);

 $this->ContentList->append ($contentInfo);

 }

//test how many contents parsed.

 $count = $this->fundsInfoArray->count();

 echo $count;

 }

public function SerializeToDB()

 {

 //写入数据库，代码略。

 }

 }

?>

contentinfo.php

?

<?php

 

/*

 * To change this template, choose Tools | Templates

 * and open the template in the editor.

 */

 

/**

 * Description of ContentInfo

 *

 * @author xxxxx

 */

class ContentInfo {

    //put your code here

    var $ID;

    var $Name;

    var $Content;

    public function ParseFromDOMElement(DOMElement $row)

    {

        $cells_list = $row->getElementsByTagName('td');

        $cells_length = $row->length;

 

        $curCellIdx = 0;

        foreach ($cells_list as $cell)

        {

            switch ($curCellIdx++)

            {

                case 0:

                    $this->ID = $cell->nodeValue;

                    break;

                case 1:

                    $this->Name = $cell->nodeValue;

                    break;

                case 2:

                    $this->Content = $cell->nodeValue;

                    break;

            }

        }

    }

}

 

?>

一点小心得，DOM中每个Element都可以getAttribute取出属性，这些属性可以区分你分析的DOMObject。

举例来说，比如上述我分析的Target HTML有很多表格，但是我发现目标表格的class属性和其他表格是不一样的。

所以，这个属性就可以来区分我要分析的是哪个表格。

 

当然更多DOM的东西，大家可以去参考PHP Manual或者是，用IDE（NetBeans7.0就可以）转到类声明，看类接口。

有方法使用说明以及参数说明。可以参考参考。

转载自：http://blog.csdn.net/xyzhaopeng/article/details/6626340