PHP Simple HTML DOM解析器使用入门

前段时间,有一个项目需要使用php对html解析,然后获取指定的内容(jQuery的解析器可以实现这个功能),于是开始google,发现了simple html dom解析器,这个和jquery的解析语法很相似。

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,本文已介绍了如何避免过多的内存消耗。

下载解析器

http://sourceforge.net/projects/simplehtmldom/ 

导入文件

include_once(“simple_html_dom.php”);

加载需要解析的网页($url为网址, 也可以使用其他方式, 如curl等)

$html = file_get_html($url);

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] view plain copy
  1. <?php  

  2.   

  3. //查找html文档中的超链接元素  

  4.   

  5. $a = $html->find(‘a’);  

  6.   

  7. //查找文档中第(N)个超链接,如果没有找到则返回空数组.  

  8.   

  9. $a = $html->find(‘a’, 0);  

  10.   

  11. // 查找id为main的div元素  

  12.   

  13. $main = $html->find(‘div[id=main]‘,0);  

  14.   

  15. // 查找所有包含有id属性的div元素  

  16.   

  17. $divs = $html->find(‘div[id]‘);  

  18.   

  19. // 查找所有包含有id属性的元素  

  20.   

  21. $divs = $html->find(‘[id]‘);  

  22.   

  23. ?>  


还可以使用类似jQuery的选择器来查找定位元素:

[php] view plain copy
  1. <?php  

  2.   

  3. // 查找id=’#container’的元素  

  4.   

  5. $ret = $html->find(‘#container’);  

  6.   

  7. // 找到所有class=foo的元素  

  8.   

  9. $ret = $html->find(‘.foo’);  

  10.   

  11. // 查找多个html标签  

  12.   

  13. $ret = $html->find(‘a, img’);  

  14.   

  15. // 还可以这样用  

  16.   

  17. $ret = $html->find(‘a[title], img[title]‘);  

  18.   

  19. ?>  


解析器支持对子元素的查找

[php] view plain copy
  1. <?php  

  2.   

  3. // 查找 ul列表中所有的li项  

  4.   

  5. $ret = $html->find(‘ul li’);  

  6.   

  7. //查找 ul 列表指定class=selected的li项  

  8.   

  9. $ret = $html->find(‘ul li.selected’);  

  10.   

  11. ?>  


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] view plain copy
  1. <?php  

  2.   

  3. // 返回父元素  

  4.   

  5. $e->parent;  

  6.   

  7. // 返回子元素数组  

  8.   

  9. $e->children;  

  10.   

  11. // 通过索引号返回指定子元素  

  12.   

  13. $e->children(0);  

  14.   

  15. // 返回第一个资源速  

  16.   

  17. $e->first_child ();  

  18.   

  19. // 返回最后一个子元素  

  20.   

  21. $e->last _child ();  

  22.   

  23.  // 返回上一个相邻元素  

  24.   

  25. $e->prev_sibling ();  

  26.   

  27. //返回下一个相邻元素  

  28.   

  29. $e->next_sibling ();  

  30.   

  31. ?>  

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] view plain copy
  1. <?php  

  2.   

  3. // 本例中将$a的锚链接值赋给$link变量  

  4.   

  5. $link = $a->href;  

  6.   

  7. ?>  


或者:

[php] view plain copy
  1. <?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] view plain copy
  1. <?php  

  2.   

  3.  //给$a的锚链接赋新值  

  4.   

  5. $a->href = ‘http://www.cnphp.info’;  

  6.   

  7. // 删除锚链接  

  8.   

  9. $a->href = null;  

  10.   

  11. // 检测是否存在锚链接  

  12.   

  13. if(isset($a->href)) { //代码 }  

  14.   

  15. ?>  


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] view plain copy
  1. <?php  

  2.   

  3. // 封装元素  

  4.   

  5. $e->outertext = ‘<div>’ . $e->outertext . ‘<div>’;  

  6.   

  7. // 删除元素  

  8.   

  9. $e->outertext = ”;  

  10.   

  11. // 添加元素  

  12.   

  13. $e->outertext = $e->outertext . ‘<div>foo<div>’;  

  14.   

  15. // 插入元素  

  16.   

  17. $e->outertext = ‘<div>foo<div>’ . $e->outertext;  

  18.   

  19. ?>  


保存修改后的html DOM文档也非常简单:

[php] view plain copy
  1. <?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,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^_^

[php] view plain copy
  1. <?php $html->clear();?> 


目前有:1条评论

  1. admin
    2016-07-01 14:55:49
    这个类实用唯一缺点。。消耗资源严重,,比较卡。。。技术能力好的还是用原生正则匹配吧

留下脚印,证明你来过。发表评论:

*

*

分享:

支付宝

微信