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
全文搜索和替换
Oct 09 PHP
从康盛产品(discuz)提取出来的模板类
Jun 28 PHP
PHP操作文件类的函数代码(文件和文件夹创建,复制,移动和删除)
Nov 10 PHP
关于php循环跳出的问题
Jul 01 PHP
php根据身份证号码计算年龄的实例代码
Jan 18 PHP
php汉字转拼音的示例
Feb 27 PHP
PHP类中的魔术方法(Magic Method)简明总结
Jul 08 PHP
PHP递归复制、移动目录的自定义函数分享
Nov 18 PHP
ThinkPHP控制器详解
Jul 27 PHP
Zend Framework教程之分发器Zend_Controller_Dispatcher用法详解
Mar 07 PHP
PHP7 新特性详细介绍
Sep 06 PHP
PHP接口继承及接口多继承原理与实现方法详解
Oct 18 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
重置版宣传动画
2020/04/09 魔兽争霸
TNC vs BOOM BO3 第三场2.13
2021/03/10 DOTA
jQuery阻止同类型事件小结
2013/04/19 Javascript
javascript firefox 自动加载iframe 自动调整高宽示例
2013/08/27 Javascript
javascript中的作用域和上下文使用简要概述
2013/12/05 Javascript
display和visibility的区别示例介绍
2014/02/26 Javascript
JavaScript计算两个日期时间段内日期的方法
2015/03/16 Javascript
jQuery.prop() 使用详解
2015/07/19 Javascript
详解JavaScript ES6中的Generator
2015/07/28 Javascript
jquery实现鼠标点击后展开列表内容的导航栏效果
2015/09/14 Javascript
QQ登录背景闪动效果附效果演示源码下载
2015/09/22 Javascript
解决jQuery上传插件Uploadify出现Http Error 302错误的方法
2015/12/18 Javascript
Bootstarp风格的toggle效果分享
2016/02/23 Javascript
AngularJS 与Bootstrap实现表格分页实例代码
2016/10/14 Javascript
老生常谈的跨域处理
2017/01/11 Javascript
深入理解vuex2.0 之 modules
2017/11/20 Javascript
详解微信小程序审核不通过的解决方法
2018/01/17 Javascript
vue 循环加载数据并获取第一条记录的方法
2018/09/26 Javascript
vue Tab切换以及缓存页面处理的几种方式
2019/11/05 Javascript
vuex的数据渲染与修改浅析
2020/11/26 Vue.js
Python通过90行代码搭建一个音乐搜索工具
2015/07/29 Python
浅析Python的web.py框架中url的设定方法
2016/07/11 Python
Python管理Windows服务小脚本
2018/03/12 Python
python3 selenium 切换窗口的几种方法小结
2018/05/21 Python
Python文件名匹配与文件复制的实现
2020/12/11 Python
美国餐厅用品和厨房设备批发网站:KaTom Restaurant Supply
2018/01/27 全球购物
英国天然有机美容护肤品:Neal’s Yard Remedies
2018/05/05 全球购物
大整数数相乘的问题
2012/07/22 面试题
《寓言两则》教学反思
2014/02/27 职场文书
物业经理自我鉴定
2014/03/03 职场文书
读书活动实施方案
2014/03/10 职场文书
幼儿园大班开学教师寄语
2014/04/03 职场文书
不听老师话的万能检讨书
2014/10/04 职场文书
鲁迅故里导游词
2015/02/05 职场文书
Java中使用Filter过滤器的方法
2021/06/28 Java/Android
详解CSS3浏览器兼容
2022/12/24 HTML / CSS