本文讲述了php使用simple_html_dom解析HTML的方法。分享给大家供大家参考，具体如下：
今天写了两个爬虫，一个使用 Python，使用一个 PHP，说实际实现，两个方便的方式。
下面说一下使用simple_html_dom这个开源类来解析HTML代码：
1. 下载simple_html_dom：
http://sourceforge.net/projects/simplehtmldom/files/
或者点击这里本站下载。
2. 用法示例：
<?php
// 新建一个Dom实例
$html = new simple_html_dom();
// 从url中加载
$html->load_file('http://www.jb51.net');
// 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，需要先从网络加载上下载文档。建议使用CURL来抓取html文档并DOM中。
PHP Simple HTML DOM Parser提供了3种方式来创建DOM对象：
<?php
// 从字符串创建一个 DOM 对象
$html = str_get_html('<html><body>Hello!</body></html>');
// 从 URL 创建一个 DOM 对象
$html = file_get_html('http://www.google.com/');
// 从 HTML 文件创建一个 DOM 对象
$html = file_get_html('test.htm');
?>
查找html元素
可以使用查找函数来查找html文档中的元素。返回的结果是一个包含了对象的类的类。中我们HTML DOM解析的函数来访问这些对象，使用下面提供几个示例：
<?php
//查找$html文档中的超链接元素
$a = $html->find('a');
//查找文档中第(N)个链接，如果没有找到则返回超空赠品。
$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.jb51.net';
// 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;
?>
如何解析器占用过多内存
在本文开篇中，避免网站就提到简单的 HTML 解析器内存占用过多的问题。解决方法的加载方法也很简单，在解析加载html文档并完成使用时，记得捡起这个对象当然，也不会让问题就可以看到后面2个正常的了。当你加载了5个10个甚至更多的文档的时候，用完一个就可以收一下内存。
<?php $html->clear(); ?>
常见问题FAQ
- 免费下载或者VIP会员专享资源能否直接商用？
支付宝打赏
微信打赏