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();
?>
|
转自:http://www.cnphp.info/php-simple-html-dom-parser-intro.html