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 // 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