php解析html類庫(kù)simple_html_dom(詳細(xì)介紹)

更新時(shí)間：2013年07月05日 10:34:26 作者：

一直以來(lái)使用php解析html文檔樹(shù)都是一個(gè)難題。Simple HTML DOM parser 幫我們很好地解決了這個(gè)問(wèn)題。可以通過(guò)這個(gè)php類來(lái)解析html文檔，對(duì)其中的html元素進(jìn)行操作 (PHP5+以上版本)

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

解析器不僅僅只是幫助我們驗(yàn)證html文檔；更能解析不符合W3C標(biāo)準(zhǔn)的html文檔。它使用了類似jQuery的元素選擇器，通過(guò)元素的id，class，tag等等來(lái)查找定位；同時(shí)還提供添加、刪除、修改文檔樹(shù)的功能。當(dāng)然，這樣一款強(qiáng)大的html Dom解析器也不是盡善盡美；在使用的過(guò)程中需要十分小心內(nèi)存消耗的情況。不過(guò)，不要擔(dān)心；本文中，筆者在最后會(huì)為各位介紹如何避免消耗過(guò)多的內(nèi)存。
開(kāi)始使用
上傳類文件以后，有三種方式調(diào)用這個(gè)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

復(fù)制代碼代碼如下:

<?php
// 新建一個(gè)Dom實(shí)例
$html = new simple_html_dom();

// 從url中加載
$html->load_file('http://www.dhdzp.com');

// 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(wǎng)絡(luò)上下載。建議使用cURL來(lái)抓取html文檔并加載DOM中。
查找html元素
可以使用find函數(shù)來(lái)查找html文檔中的元素。返回的結(jié)果是一個(gè)包含了對(duì)象的數(shù)組。我們使用HTML DOM解析類中的函數(shù)來(lái)訪問(wèn)這些對(duì)象，下面給出幾個(gè)示例：

復(fù)制代碼代碼如下:

<?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(gè)超鏈接，如果沒(méi)有找到則返回空數(shù)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(lái)查找定位元素：

復(fù)制代碼代碼如下:

<?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(gè)html標(biāo)簽
$ret = $html->find('a, img');

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

解析器支持對(duì)子元素的查找

復(fù)制代碼代碼如下:

<?php

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

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

?>

如果你覺(jué)得這樣用起來(lái)麻煩，使用內(nèi)置函數(shù)可以輕松定位元素的父元素、子元素與相鄰元素

復(fù)制代碼代碼如下:

<?php
// 返回父元素
$e->parent;

// 返回子元素?cái)?shù)組
$e->children;

// 通過(guò)索引號(hào)返回指定子元素
$e->children(0);

// 返回第一個(gè)資源速
$e->first_child ();

// 返回最后一個(gè)子元素
$e->last _child ();

// 返回上一個(gè)相鄰元素
$e->prev_sibling ();

//返回下一個(gè)相鄰元素
$e->next_sibling ();
?>

元素屬性操作
使用簡(jiǎn)單的正則表達(dá)式來(lái)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(kāi)頭屬性的html元素
[attribute$=value] 選擇所有指定值結(jié)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(diào)用元素屬性
在DOM中元素屬性也是對(duì)象：

復(fù)制代碼代碼如下:

<?php
// 本例中將$a的錨鏈接值賦給$link變量
$link = $a->href;
?>

或者：

復(fù)制代碼代碼如下:

<?php
$link = $html->find('a',0)->href;
?

每個(gè)對(duì)象都有4個(gè)基本對(duì)象屬性:
tag – 返回html標(biāo)簽名
innertext – 返回innerHTML
outertext – 返回outerHTML
plaintext – 返回html標(biāo)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(diào)用它們是類似的：

復(fù)制代碼代碼如下:

<?php
//給$a的錨鏈接賦新值
$a->href = 'http://www.dhdzp.com';

// 刪除錨鏈接
$a->href = null;

// 檢測(cè)是否存在錨鏈接
if(isset($a->href)) {
//代碼
}
?>

解析器中沒(méi)有專門的方法來(lái)添加、刪除元素，不過(guò)可以變通一下使用：

復(fù)制代碼代碼如下:

<?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;
?

保存修改后的html DOM文檔也非常簡(jiǎn)單：

復(fù)制代碼代碼如下:

<?php
$doc = $html;
// 輸出
echo $doc;
?>

如何避免解析器消耗過(guò)多內(nèi)存
在本文的開(kāi)篇中，筆者就提到了Simple HTML DOM解析器消耗內(nèi)存過(guò)多的問(wèn)題。如果php腳本占用內(nèi)存太多，會(huì)導(dǎo)致網(wǎng)站停止響應(yīng)等一系列嚴(yán)重的問(wèn)題。解決的方法也很簡(jiǎn)單，在解析器加載html文檔并使用完成后，記得清理掉這個(gè)對(duì)象就可以了。當(dāng)然，也不要把問(wèn)題看得太嚴(yán)重了。如果只是加載了2、3個(gè)文檔，清理或不清理是沒(méi)有多大區(qū)別的。當(dāng)你加載了5個(gè)10個(gè)甚至更多的文檔的時(shí)候，用完一個(gè)就清理一下內(nèi)存絕對(duì)是對(duì)自己負(fù)責(zé)啦^_^

復(fù)制代碼代碼如下: