simple_html_dom · 人手一本php工具書

>[info]場景：爬蟲爬完取數據下載地址：https://github.com/samacs/simple_html_dom [toc] 解析器不僅僅只是幫助我們驗證html文檔；更能解析不符合W3C標準的html文檔。它使用了類似jQuery的元素選擇器，通過元素的id，class，tag等等來查找定位；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內存消耗的情況。不過，不要擔心；最后會為各位介紹如何避免消耗過多的內存。 ## :-: **開始使用** 上傳類文件以后，有三種方式調用這個類：從url中加載html文檔從字符串中加載html文檔從文件中加載html文檔 ~~~ <?php // 新建一個Dom實例 $html = new simple_html_dom(); // 從url中加載 $html->load_file('http://www.jb51.net'); // 從字符串中加載 $html->load('<html><body>從字符串中加載html文檔演示</body></html>'); //從文件中加載 $html->load_file('path/file/test.html'); ?> ~~~ 如果從字符串加載html文檔，需要先從網絡上下載。建議使用CURL來抓取html文檔并加載DOM中。 PHP Simple HTML DOM Parser提供了3種方式來創建DOM對象 : ~~~ // Create a DOM object from a string $html = str_get_html('<html><body>Hello!</body></html>'); // Create a DOM object from a URL $html = file_get_html('http://www.google.com/'); // Create a DOM object from a HTML file $html = file_get_html('test.htm'); ~~~ ## :-: **查找html元素** 可以使用find函數來查找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，下面給出幾個示例 ~~~ <?php //查找html文檔中的超鏈接元素 $a = $html->find('a'); //查找文檔中第(N)個超鏈接，如果沒有找到則返回空數組. $a = $html->find('a', 0); // 查找id為main的div元素 $main = $html->find('div[id=main]',0); // 查找所有包含有id屬性的div元素 $divs = $html->find('div[id]'); // 查找所有包含有id屬性的元素 $divs = $html->find('[id]'); ?> ~~~ 還可以使用類似jQuery的選擇器來查找定位元素： ~~~ <?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'); // 查找多個html標簽 $ret = $html->find('a, img'); ~~~ 解析器支持對子元素的查找 ~~~ <?php // 查找 ul列表中所有的li項 $ret = $html->find('ul li'); //查找 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，使用內置函數可以輕松定位元素的父元素、子元素與相鄰元素 ~~~ <?php // 返回父元素 $e->parent; // 返回子元素數組 $e->children; // 通過索引號返回指定子元素 $e->children(0); // 返回第一個資源速 $e->first_child (); // 返回最后一個子元素 $e->last_child (); // 返回上一個相鄰元素 $e->prev_sibling (); //返回下一個相鄰元素 $e->next_sibling (); ?> ~~~ ## :-: **元素屬性操作** 使用簡單的正則表達式來操作屬性選擇器。 [attribute] – 選擇包含某屬性的html元素 [attribute=value] – 選擇所有指定值屬性的html元素 [attribute!=value]- 選擇所有非指定值屬性的html元素 [attribute^=value] -選擇所有指定值開頭屬性的html元素 [attribute$=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： ``` php <?php // 本例中將$a的錨鏈接值賦給$link變量 $link = $a->href; ?> ``` 或者 ```php <?php $link = $html->find('a',0)->href; ? ``` 每個對象都有4個基本對象屬性: tag – 返回html標簽名 innertext – 返回innerHTML outertext – 返回outerHTML plaintext – 返回html標簽中的文本在解析器中編輯元素編輯元素屬性的用法和調用它們是類似的： ~~~ <?php //給$a的錨鏈接賦新值 $a->href = 'http://www.jb51.net'; // 刪除錨鏈接 $a->href = null; // 檢測是否存在錨鏈接 if(isset($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： ~~~ <?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; ?> ~~~ 保存修改后的html DOM文檔也非常簡單： ``` php <?php $doc = $html; // 輸出 echo $doc; ?> ``` ## :-: **如何避免解析器消耗過多內存** Simple HTML DOM解析器消耗內存過多的問題。如果php腳本占用內存太多，會導致網站停止響應等一系列嚴重的問題。解決的方法也很簡單，在解析器加載html文檔并使用完成后，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。如果只是加載了2、3個文檔，清理或不清理是沒有多大區別的。當你加載了5個10個甚至更多的文檔的時候，用完一個就清理一下內存 ``` php <?php $html->clear(); ?> ``` ## :-: **示例** ### :-: **效果** ![](https://box.kancloud.cn/274ef5be73011bf7cf08714c5bef1ded_725x358.png) ### :-: **php代碼** ~~~ <?php header("Content-type: text/html; charset=utf-8"); include('simple_html_dom/simple_html_dom.php');//引入類庫文件 $html = file_get_html('dom.html');//獲取html文件 //給頁面中的a標簽添加類名、設置樣式 $html->find('a',0)->setAttribute('class','bar'); $html->find('a',0)->setAttribute('style','color:red'); //打印指定標簽內容 foreach($html->find('div#gbar') as $e) echo $e->innertext . '<br>'; //向指定標簽中添加內容 $aaa = [1,2,3]; $tr = ''; foreach($aaa as $color) $tr.="<td>".$color."</td>"; $html->find('tr',3)->innertext = $tr; //保存修改到指定文件 $html->save('demo.html'); ?> ~~~ ### :-: **html文件** ~~~ <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>php_simple_dom</title> </head> <body> <div class="container" id="gbar"> <h1>一娃</h1> <h2>二娃</h2> <h3>三娃</h3> <ul> <li>吉林</li> <li>遼寧</li> <li>上海</li> <li>廣州</li> </ul> <input type="text" value="111"/> <input type="datetime"/> <textarea>lallallallalala</textarea> <a href="https://www.baidu.com" class="bar" color="red" style="color:red">百度一下</a> <img src="https://ss1.baidu.com/6ONXsjip0QIZ8tyhnq/it/u=2812136344,465892702&fm=58" style="width: 30px;height: 30px"> <span class="gb1">這是span標簽</span> <button>提交</button> <br> <table> <thead> <tr> <th>1111</th> <th>2222</th> <th>3333</th> </tr> </thead> <tbody> <tr> <td align="center">121212</td> <td>343434</td> <td>565656</td> </tr> <tr> <td>121212</td> <td>343434</td> <td>565656</td> </tr> <tr></tr> </tbody> </table> <div>hahahhaha</div> </div> </body> </html> ~~~