*php解析html类库（第3方类库）simple_html_dom(爬虫相关)

最新推荐文章于 2024-03-26 09:44:28 发布

杨西瓜

最新推荐文章于 2024-03-26 09:44:28 发布

阅读量620

点赞数

分类专栏： php 文章标签： simple_html_dom类库像jq一样操作

本文链接：https://blog.csdn.net/qq_33862644/article/details/79215169

版权

php 专栏收录该内容

65 篇文章 0 订阅

订阅专栏

下载地址：https://github.com/samacs/simple_html_dom

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。
开始使用
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

    <?php  
    // 新建一个Dom实例  
    $html = new simple_html_dom();  
      
    // 从url中加载  
    $html->load_file('http://www.jb51.net');  
      
    // 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。

PHP Simple HTML DOM Parser提供了3种方式来创建DOM对象 :

// Create a DOM object from a string   
$html = str_get_html('<html><body>Hello!</body></html>');   
// Create a DOM object from a URL   
$html = file_get_html('http://www.google.com/');   
// Create a DOM object from a HTML file   
$html = file_get_html('test.htm');

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]');  
?>

还可以使用类似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.jb51.net';  
      
    // 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。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

<?php  
$html->clear();  
?>

一个简单实例:

<?php
header("Content-type: text/html; charset=utf-8");
include('simple_html_dom/simple_html_dom.php');//引入类库文件
$html = file_get_html('dom.html');//获取html文件

//给页面中的a标签添加类名、设置样式
$html->find('a',0)->setAttribute('class','bar');
$html->find('a',0)->setAttribute('style','color:red');

//打印指定标签内容
foreach($html->find('div#gbar') as $e) echo $e->innertext . '<br>';

//向指定标签中添加内容
$aaa = [1,2,3];
$tr = '';
foreach($aaa as $color)
    $tr.="<td>".$color."</td>";
$html->find('tr',3)->innertext = $tr;

//保存修改到指定文件
$html->save('demo.html');

?>

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>php_simple_dom</title>
</head>
<body>
<div class="container" id="gbar">
    <h1>一娃</h1>
    <h2>二娃</h2>
    <h3>三娃</h3>

    <ul>
        <li>吉林</li>
        <li>辽宁</li>
        <li>上海</li>
        <li>广州</li>
    </ul>

    <input type="text" value="111"/>
    <input type="datetime"/>
    <textarea>lallallallalala</textarea>
    <a href="https://www.baidu.com" class="bar" color="red" style="color:red">百度一下</a>
    <img src="https://ss1.baidu.com/6ONXsjip0QIZ8tyhnq/it/u=2812136344,465892702&fm=58"
         style="width: 30px;height: 30px">
    <span class="gb1">这是span标签</span>
    <button>提交</button>

    <br>
    <table>
        <thead>
        <tr>
            <th>1111</th>
            <th>2222</th>
            <th>3333</th>
        </tr>
        </thead>
        <tbody>
        <tr>
            <td align="center">121212</td>
            <td>343434</td>
            <td>565656</td>
        </tr>
        <tr>
            <td>121212</td>
            <td>343434</td>
            <td>565656</td>
        </tr>
        <tr></tr>
        </tbody>
    </table>
    <div>hahahhaha</div>
</div>
</body>
</html>

注意：这样操作的缺点会对html文件进行永久性修改。
—–即刷新demo.php文件后修改的内容才会被保存到html文件中，且修改后内容被固定，只有再次修改再次执行demo.php文件时html中的内容才会再次被修改。

杨西瓜

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
*php解析html类库（第3方类库）simple_html_dom(爬虫相关)

下载地址：https://github.com/samacs/simple_html_dom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...
复制链接

扫一扫