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

//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.cnphp.info’;

// 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>’ . $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，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 $html->clear();?>