php使用simple_html_dom解析HTML

作者 : admin 发布时间: 2022-09-9 文章热度:48 共2660个字,阅读需7分钟。 字体:
  • 文章介绍
  • 评价建议
  • 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:

    php使用simple_html_dom解析HTML-866源码站

    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?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。

    发表评论

    1313+

    本站勉强运行

    2+

    用户总数

    93+

    资源总数

    0+

    今日更新

    2022-9-27

    最后更新时间