php解析html类库simple_html_dom(详细介绍)


Posted in PHP onJuly 05, 2013

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('https://3water.com');
// 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:
<?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 = 'https://3water.com';// 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绝对是对自己负责啦^_^
<?php
$html->clear();
?>

PHP 相关文章推荐
PHP __autoload()方法真的影响性能吗?
Mar 30 PHP
解析zend studio中直接导入svn中的项目的方法步骤
Jun 21 PHP
php清除和销毁session的方法分析
Mar 19 PHP
php结合curl实现多线程抓取
Jul 09 PHP
PHP实现通过URL提取根域名
Mar 31 PHP
php生成与读取excel文件
Oct 14 PHP
php封装的图片(缩略图)处理类完整实例
Oct 19 PHP
PHPCMS V9 添加二级导航的思路详解
Oct 20 PHP
PHP判断密码强度的方法详解
May 26 PHP
PHP实现通过strace定位故障原因的方法
Apr 29 PHP
Laravel框架生命周期与原理分析
Jun 12 PHP
PHP解决高并发的优化方案实例
Dec 10 PHP
Apache实现Web Server负载均衡详解(不考虑Session版)
Jul 05 #PHP
如何在Ubuntu下启动Apache的Rewrite功能
Jul 05 #PHP
如何解决CI框架的Disallowed Key Characters错误提示
Jul 05 #PHP
浅析十款PHP开发框架的对比
Jul 05 #PHP
利用PHP实现短域名互转
Jul 05 #PHP
PHP 安全检测代码片段(分享)
Jul 05 #PHP
如何使用php判断服务器是否是HTTPS连接
Jul 05 #PHP
You might like
PHP 过滤页面中的BOM(实现代码)
2013/06/29 PHP
php微信开发之百度天气预报
2016/11/18 PHP
使用IE6看老赵的博客 jQuery初探
2010/01/17 Javascript
jQuery 数据缓存模块进化史详细介绍
2012/11/19 Javascript
js中的cookie的读写操作示例详解
2014/04/17 Javascript
JavaScript之AOP编程实例
2015/07/17 Javascript
jquery ajax 如何向jsp提交表单数据
2015/08/23 Javascript
JavaScript拖拽、碰撞、重力及弹性运动实例分析
2016/01/08 Javascript
深入浅析JavaScript面向对象和原型函数
2016/02/06 Javascript
jQuery EasyUI 入门必看
2016/06/03 Javascript
javascript实现滚动效果的数字时钟实例
2016/07/21 Javascript
js 获取当前web应用的上下文路径实现方法
2016/08/19 Javascript
JS中this上下文对象使用方式
2016/10/09 Javascript
nodejs制作爬虫实现批量下载图片
2017/05/19 NodeJs
Angular 4依赖注入学习教程之ClassProvider的使用(三)
2017/06/04 Javascript
微信小程序商品详情页规格属性选择示例代码
2017/10/30 Javascript
浅析Angular19 自定义表单控件
2018/01/31 Javascript
js replace替换字符串同时替换多个方法
2018/11/27 Javascript
基于JS实现操作成功之后自动跳转页面
2020/09/25 Javascript
[09:37]2018DOTA2国际邀请赛寻真——不懈追梦的Team Serenity
2018/08/13 DOTA
[04:15]DOTA2-DPC中国联赛1月19日Recap集锦
2021/03/11 DOTA
在Django的URLconf中进行函数导入的方法
2015/07/18 Python
使用Python的Dataframe取两列时间值相差一年的所有行方法
2018/07/10 Python
Python如何访问字符串中的值
2020/02/09 Python
记录模型训练时loss值的变化情况
2020/06/16 Python
Django def clean()函数对表单中的数据进行验证操作
2020/07/09 Python
详解python with 上下文管理器
2020/09/02 Python
英国鲜花速递:Serenata Flowers
2018/04/03 全球购物
美国转售二手商品的电子商务平台:BLINQ
2018/12/13 全球购物
意大利在线购买隐形眼镜网站:VisionDirect.it
2019/03/18 全球购物
护士自我鉴定总结
2014/03/24 职场文书
港澳通行证委托书怎么写
2014/08/02 职场文书
见习报告格式要求
2014/11/04 职场文书
护士岗位竞聘书
2015/09/15 职场文书
关于redisson缓存序列化几枚大坑说明
2021/08/04 Redis
Python如何使用循环结构和分支结构
2022/04/13 Python