php解析html類庫simple

來源:互聯網
上載者:User
一直以來使用php解析html文檔樹都是一個難題。Simple HTML DOM parser 幫我們很好地解決了這個問題。可以通過這個php類來解析html文檔,對其中的html元素進行操作 (PHP5+以上版本) 

下載地址:https://github.com/samacs/simple_html_dom

解 析器不僅僅只是協助我們驗證html文檔;更能解析不符合W3C標準的html文檔。它使用了類似jQuery的元素選取器,通過元素的 id,class,tag等等來尋找定位;同時還提供添加、刪除、修改文檔樹的功能。當然,這樣一款強大的html Dom解析器也不是盡善盡美;在使用的過程中需要十分小心記憶體消耗的情況。不過,不要擔心;本文中,筆者在最後會為各位介紹如何避免消耗過多的記憶體。
開始使用
上傳類檔案以後,有三種方式調用這個類:
從url中載入html文檔
從字串中載入html文檔
從檔案中載入html文檔

複製代碼 代碼如下:
<?php
// 建立一個Dom執行個體
$html = new simple_html_dom();

// 從url中載入
$html->load_file('http://www.jb51.net');

// 從字串中載入
$html->load('<html><body>從字串中載入html文檔示範</body></html>');

//從檔案中載入
$html->load_file('path/file/test.html');
?>


如果從字串載入html文檔,需要先從網路上下載。建議使用cURL來抓取html文檔並載入DOM中。
尋找html元素
可以使用find函數來尋找html文檔中的元素。返回的結果是一個包含了對象的數組。我們使用HTML DOM解析類中的函數來訪問這些對象,下面給出幾個樣本:

複製代碼 代碼如下:
<?php

//尋找html文檔中的超連結元素
$a = $html->find('a');

//尋找文檔中第(N)個超連結,如果沒有找到則返回空數組.
$a = $html->find('a', 0);

// 尋找id為main的div元素
$main = $html->find('div[id=main]',0);

// 尋找所有包含有id屬性的div元素
$divs = $html->find('div[id]');

// 尋找所有包含有id屬性的元素
$divs = $html->find('[id]');
?>


還可以使用類似jQuery的選取器來尋找定位元素:

複製代碼 代碼如下:
<?php
// 尋找id='#container'的元素
$ret = $html->find('#container');

// 找到所有class=foo的元素
$ret = $html->find('.foo');

// 尋找多個html標籤
$ret = $html->find('a, img');

// 還可以這樣用
$ret = $html->find('a[title], img[title]');
?>


解析器支援對子項目的尋找

複製代碼 代碼如下:
<?php

// 尋找 ul列表中所有的li項
$ret = $html->find('ul li');

//尋找 ul 列表指定class=selected的li項
$ret = $html->find('ul li.selected');

?>


如果你覺得這樣用起來麻煩,使用內建函數可以輕鬆定位元素的父元素、子項目與相鄰元素

複製代碼 代碼如下:
<?php
// 返回父元素
$e->parent;

// 返回子項目數組
$e->children;

// 通過索引號返回指定子項目
$e->children(0);

// 返回第一個資源速
$e->first_child ();

// 返回最後一個子項目
$e->last _child ();

// 返回上一個相鄰元素
$e->prev_sibling ();

//返回下一個相鄰元素
$e->next_sibling ();
?>


元素屬性操作
使用簡單的Regex來操作屬性選取器。
[attribute] – 選擇包含某屬性的html元素
[attribute=value] – 選擇所有指定值屬性的html元素
[attribute!=value]- 選擇所有非指定值屬性的html元素
[attribute^=value] -選擇所有指定值開頭屬性的html元素
[attribute$=value] 選擇所有指定值結尾屬性的html元素
[attribute*=value] -選擇所有包含指定值屬性的html元素
在解析器中調用元素屬性
在DOM中元素屬性也是對象:

複製代碼 代碼如下:
<?php
// 本例中將$a的錨連結值賦給$link變數
$link = $a->href;
?>


或者:

複製代碼 代碼如下:
<?php
$link = $html->find('a',0)->href;
?


每個對象都有4個基本對象屬性:
tag – 返回html標籤名
innertext – 返回innerHTML
outertext – 返回outerHTML
plaintext – 返回html標籤中的文本
在解析器中編輯元素
編輯元素屬性的用法和調用它們是類似的:

複製代碼 代碼如下:
<?php
//給$a的錨連結賦新值
$a->href = 'http://www.jb51.net';

// 刪除錨連結
$a->href = null;

// 檢測是否存在錨連結
if(isset($a->href)) {
//代碼
}
?>


解析器中沒有專門的方法來添加、刪除元素,不過可以變通一下使用:

複製代碼 代碼如下:
<?php
// 封裝元素
$e->outertext = '<div class="wrap">' . $e->outertext . '<div>';

// 刪除元素
$e->outertext = '';

// 添加元素
$e->outertext = $e->outertext . '<div>foo<div>';

// 插入元素
$e->outertext = '<div>foo<div>' . $e->outertext;
?


儲存修改後的html DOM文檔也非常簡單:

複製代碼 代碼如下:
<?php
$doc = $html;
// 輸出
echo $doc;
?>


如何避免解析器消耗過多記憶體
在 本文的開篇中,筆者就提到了Simple HTML DOM解析器消耗記憶體過多的問題。如果php指令碼佔用記憶體太多,會導致網站停止回應等一系列嚴重的問題。解決的方法也很簡單,在解析器載入html文檔並 使用完成後,記得清理掉這個對象就可以了。當然,也不要把問題看得太嚴重了。如果只是載入了2、3個文檔,清理或不清理是沒有多大區別的。當你載入了5個 10個甚至更多的文檔的時候,用完一個就清理一下記憶體絕對是對自己負責啦^_^

複製代碼 代碼如下:


<?php
$html->clear();
?>

相關文章

Cloud Intelligence Leading the Digital Future

Alibaba Cloud ACtivate Online Conference, Nov. 20th & 21st, 2019 (UTC+08)

Register Now >

Starter Package

SSD Cloud server and data transfer for only $2.50 a month

Get Started >

Alibaba Cloud Free Trial

Learn and experience the power of Alibaba Cloud with a free trial worth $300-1200 USD

Learn more >

聯繫我們

該頁面正文內容均來源於網絡整理,並不代表阿里雲官方的觀點,該頁面所提到的產品和服務也與阿里云無關,如果該頁面內容對您造成了困擾,歡迎寫郵件給我們,收到郵件我們將在5個工作日內處理。

如果您發現本社區中有涉嫌抄襲的內容,歡迎發送郵件至: info-contact@alibabacloud.com 進行舉報並提供相關證據,工作人員會在 5 個工作天內聯絡您,一經查實,本站將立刻刪除涉嫌侵權內容。