• PHP Simple HTML DOM解析器


    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。

    如何使用php html 解析

    上传类文件以后,有三种方式调用这个类:

    从url中加载html文档

    从字符串中加载html文档

    从文件中加载html文档

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    <?php
    // 新建一个Dom实例
    $html = new simple_html_dom();
     
    // 从url中加载
     
    // 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');
    ?>

    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:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    <?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]');
    ?>

    还可以使用类似jQuery的选择器来查找定位元素:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    <?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

    1
    2
    3
    4
    5
    6
    7
    8
    9
    <?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

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    <?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:

    1
    2
    3
    4
    <?php
    // 本例中将$a的锚链接值赋给$link变量
    $link = $a->href;
    ?>

    或者:

    1
    2
    3
    <?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:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    <?php
    //给$a的锚链接赋新值
    $a->href = 'http://www.cnphp.info';
     
    // 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:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    <?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:

    1
    2
    3
    4
    5
    6
    <?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。当然,也不要把问题看得太严重了。如果只是加载了2、3个文档,清理或不清理是没有多大区别的。当你加载了5个10个甚至更多的文档的时候,用完一个就清理一下内存绝对是对自己负责啦^_^

    1
    2
    3
    <?php
    $html->clear();
    ?>

    原文:http://www.cnphp.info/php-simple-html-dom-parser-intro.html

  • 相关阅读:
    一步一步学习Unity3d学习笔记系1.2 单机游戏和网游的数据验证概念
    一步一步学习Unity3d学习笔记系1.1
    Mongodb 官网驱动2.2.4.26版本 增,删 改,查
    使用Zxing 一维码
    Linq 数据排序,分页
    easyui datagrid 批量编辑和提交数据
    Json序列化为对象方法
    百度地图车辆运动轨迹
    GridView后台绑定数据列表方法
    删除重复数据
  • 原文地址:https://www.cnblogs.com/xuesen1995/p/4803333.html
Copyright © 2020-2023  润新知