laravel8（四）使用simple_html_dom库解析html

最新推荐文章于 2024-03-13 11:08:58 发布

camellias_

最新推荐文章于 2024-03-13 11:08:58 发布

阅读量1.2k

点赞数

分类专栏： php laravel 后端文章标签： javascript js laravel8

本文链接：https://blog.csdn.net/qq_39708228/article/details/118175277

版权

后端同时被 3 个专栏收录

53 篇文章 1 订阅

订阅专栏

php

39 篇文章 0 订阅

订阅专栏

laravel

30 篇文章 1 订阅

订阅专栏

首先：simple_html_dom下载地址：

https://github.com/samacs/simple_html_dom

这是一个PHP解析html的一个库。

这玩意还是很有用的，比如我们在使用PHP做爬虫的时候，需要解析html中的内容等。

他的强大之处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。

关于如何引入第三方类库，请移步《laravel5.8（十）引入第三方类库》laravel8中的设置方法也大同小异。

一：加载html

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://guanchao.site'); 
     
    // 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'); 
?>

加载标签的时候，我这里遇到了一个小问题，\n以及在使用load加载的时候，会被替换成空值，这个体验不太好。

那么如何避免这个问题呢？

我们查看一下load方法的源码：

// load html from string
    function load($str, $lowercase=true, $stripRN=true, $defaultBRText=DEFAULT_BR_TEXT, $defaultSpanText=DEFAULT_SPAN_TEXT)
    {
        global $debugObject;
 
        // prepare
        $this->prepare($str, $lowercase, $stripRN, $defaultBRText, $defaultSpanText);
        // strip out comments
        $this->remove_noise("'<!--(.*?)-->'is");
        // strip out cdata
        $this->remove_noise("'<!\[CDATA\[(.*?)\]\]>'is", true);
        // Per sourceforge http://sourceforge.net/tracker/?func=detail&aid=2949097&group_id=218559&atid=1044037
        // Script tags removal now preceeds style tag removal.
        // strip out <script> tags
        $this->remove_noise("'<\s*script[^>]*[^/]>(.*?)<\s*/\s*script\s*>'is");
        $this->remove_noise("'<\s*script\s*>(.*?)<\s*/\s*script\s*>'is");
        // strip out <style> tags
        $this->remove_noise("'<\s*style[^>]*[^/]>(.*?)<\s*/\s*style\s*>'is");
        $this->remove_noise("'<\s*style\s*>(.*?)<\s*/\s*style\s*>'is");
        // strip out preformatted tags
        $this->remove_noise("'<\s*(?:code)[^>]*>(.*?)<\s*/\s*(?:code)\s*>'is");
        // strip out server side scripts
        $this->remove_noise("'(<\?)(.*?)(\?>)'s", true);
        // strip smarty scripts
        $this->remove_noise("'(\{\w)(.*?)(\})'s", true);
 
        // parsing
        while ($this->parse());
        // end
        $this->root->_[HDOM_INFO_END] = $this->cursor;
        $this->parse_charset();
 
        // make load function chainable
        return $this;
    }

参数中的$stripRN 默认是true，我们在调用load函数的时候，给其传false，我们的html标签中的\n以及就不会替换成空。

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 :

<?php
       // 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'); 
?>

二：查找标签

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 ();
?>

关于标签查找，以上大概就差不多够用了。

我这里放一下我使用的示例：获取a标签中的href属性

$html = new simple_html_dom();
        $res = $html->load($content);
        $mp4Arr = array();
 
        //获取 [body a] a标签的href属性
        $aHref = $res->find('a');
        foreach ($aHref as $key => $item) 
        {
            if (isset($item->attr)) 
            {
                if (isset($item->attr['href']) == true) 
                {
                    $mp4Arr[] = $item->attr['href'];
                }
            }
        }
return $mp4Arr;
// $mp4Arr 是一个一维数组，里边是html中每个a标签的href
// $content 是一段html

三：修改标签

修改标签主要是使用setAtribute方法，示例如下：

//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;

四：输出内容

<?php
       $html = new simple_html_dom();
       // 获取文章中所有的img标签(查看源码参数)
       $articleData = $html->load($detail->content, true,false);
 
       $articleData->tag; // 获取标签
       $articleData->outertext; //获取外文本
       $articleData->innertext; // 获取内文本
       $articleData->plaintext; // 获取纯文本
       // 具体输出长什么样子，你可以自己尝试一下。
      
       //保存修改到指定文件（前提是文件需要存在）
       $html->save('demo.htm

l’);
?>

替换标签+输出内容示例

$html = new simple_html_dom();
// 获取文章中所有的img标签(查看源码参数)
$articleData = $html->load($detail->content, true,false);
 //获取 [body img] img标签的src属性
$imgSrc = $articleData->find('img');
foreach ($imgSrc as $key => $item) 
{
      // 设置vue点击方法
      $articleData->find('img', $key)->setAttribute('onclick', "imageBoost('". $item->attr['src']."')");
      // 设置class
      $articleData->find('img', $key)->setAttribute('class', 'cursor');
      // 设置宽度
      $articleData->find('img', $key)->setAttribute('style', 'width:100%');
      // 读取图片src属性值
      /*if (isset($item->attr)) 
      {
           if (isset($item->attr['src']) == true) 
           {
               $imgList[] = $item->attr['src'];
           }
      }//*/
} //*/
// 将修改之后的html重新赋值回去
$detail->content = $articleData->outertext;

五：防止内存溢出：

// 使用结束清除对象

$html->clear();

以上大概就是基本的simple_html_dom使用。

有好的建议，请在下方输入你的评论。

欢迎访问个人博客
https://guanchao.site

欢迎访问小程序：

在这里插入图片描述

camellias_

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
laravel8（四）使用simple_html_dom库解析html

首先：simple_html_dom下载地址：https://github.com/samacs/simple_html_dom这是一个PHP解析html的一个库。这玩意还是很有用的，比如我们在使用PHP做爬虫的时候，需要解析html中的内容等。他的强大之处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。关于如何引入第三方类库，请移步《laravel5.8（十）引入第三方类库》laravel8中的设置方法也大同小异。一：加载html有三种方式调用这个类：从u
复制链接

扫一扫

专栏目录