【转】PHP Simple HTML DOM解析器使用入门

作者:enenba | 发表于:2012-08-07 14:55 | 分类:php源码

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这个问题。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。

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

文章来自 网址: http://www.cnphp.info/php-simple-html-dom-parser-intro.html

end..

上一篇: 查找html中有id属性的html标签   |   下一篇:织梦采集侠获取文章标题原理,附上php源码» 标签: 正则匹配 php函数 Simple HTML DOM解析器

评论: