php解析html類庫simple_html_dom(爬蟲相關)
阿新 • • 發佈:2019-01-23
下載地址:https://github.com/samacs/simple_html_dom
解析器不僅僅只是幫助我們驗證html文件;更能解析不符合W3C標準的html文件。它使用了類似jQuery的元素選擇器,通過元素的id,class,tag等等來查詢定位;同時還提供新增、刪除、修改文件樹的功能。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,有三種方式呼叫這個類:
從url中載入html文件
從字串中載入html文件
從檔案中載入html文件
查詢html元素
可以使用find函式來查詢html文件中的元素。返回的結果是一個包含了物件的陣列。我們使用HTML DOM解析類中的函式來訪問這些物件,下面給出幾個示例:
還可以使用類似jQuery的選擇器來查詢定位元素:
解析器支援對子元素的查詢
如果你覺得這樣用起來麻煩,使用內建函式可以輕鬆定位元素的父元素、子元素與相鄰元素
元素屬性操作
使用簡單的正則表示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
在解析器中呼叫元素屬性
在DOM中元素屬性也是物件:
或者:
每個物件都有4個基本物件屬性:
tag – 返回html標籤名
innertext – 返回innerHTML
outertext – 返回outerHTML
plaintext – 返回html標籤中的文字
在解析器中編輯元素
編輯元素屬性的用法和呼叫它們是類似的:
解析器中沒有專門的方法來新增、刪除元素,不過可以變通一下使用:
儲存修改後的html DOM文件也非常簡單:
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,會導致網站停止響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文件並使用完成後,記得清理掉這個物件就可以了。當然,也不要把問題看得太嚴重了。如果只是載入了2、3個文件,清理或不清理是沒有多大區別的。當你載入了5個10個甚至更多的文件的時候,用完一個就清理一下記憶體
解析器不僅僅只是幫助我們驗證html文件;更能解析不符合W3C標準的html文件。它使用了類似jQuery的元素選擇器,通過元素的id,class,tag等等來查詢定位;同時還提供新增、刪除、修改文件樹的功能。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,有三種方式呼叫這個類:
從url中載入html文件
從字串中載入html文件
從檔案中載入html文件
<?php // 新建一個Dom例項 $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文件演示</body></html>'); //從檔案中載入 $html->load_file('path/file/test.html'); ?>
如果從字串載入html文件,需要先從網路上下載。建議使用CURL來抓取html文件並載入DOM中。
PHP Simple HTML DOM Parser提供了3種方式來建立DOM物件 :
// 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');
查詢html元素
可以使用find函式來查詢html文件中的元素。返回的結果是一個包含了物件的陣列。我們使用HTML DOM解析類中的函式來訪問這些物件,下面給出幾個示例:
<?php //查詢html文件中的超連結元素 $a = $html->find('a'); //查詢文件中第(N)個超連結,如果沒有找到則返回空陣列. $a = $html->find('a', 0); // 查詢id為main的div元素 $main = $html->find('div[id=main]',0); // 查詢所有包含有id屬性的div元素 $divs = $html->find('div[id]'); // 查詢所有包含有id屬性的元素 $divs = $html->find('[id]'); ?>
還可以使用類似jQuery的選擇器來查詢定位元素:
<?php
// 查詢id='#container'的元素
$ret = $html->find('#container');
// 找到所有class=foo的元素
$ret = $html->find('.foo');
// 查詢多個html標籤
$ret = $html->find('a, img');
// 還可以這樣用
$ret = $html->find('a[title], img[title]');
?>
解析器支援對子元素的查詢
<?php
// 查詢 ul列表中所有的li項
$ret = $html->find('ul li');
//查詢 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,使用內建函式可以輕鬆定位元素的父元素、子元素與相鄰元素
<?php
// 返回父元素
$e->parent;
// 返回子元素陣列
$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 ();
// 返回最後一個子元素
$e->last _child ();
// 返回上一個相鄰元素
$e->prev_sibling ();
//返回下一個相鄰元素
$e->next_sibling ();
?>
元素屬性操作
使用簡單的正則表示式來操作屬性選擇器。
[attribute] – 選擇包含某屬性的html元素
[attribute=value] – 選擇所有指定值屬性的html元素
[attribute!=value]- 選擇所有非指定值屬性的html元素
[attribute^=value] -選擇所有指定值開頭屬性的html元素
[attribute$=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
在解析器中呼叫元素屬性
在DOM中元素屬性也是物件:
<?php
// 本例中將$a的錨鏈接值賦給$link變數
$link = $a->href;
?>
或者:
<?php
$link = $html->find('a',0)->href;
?
每個物件都有4個基本物件屬性:
tag – 返回html標籤名
innertext – 返回innerHTML
outertext – 返回outerHTML
plaintext – 返回html標籤中的文字
在解析器中編輯元素
編輯元素屬性的用法和呼叫它們是類似的:
<?php
//給$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)) {
//程式碼
}
?>
解析器中沒有專門的方法來新增、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 = '';
// 新增元素
$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文件也非常簡單:
<?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,會導致網站停止響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文件並使用完成後,記得清理掉這個物件就可以了。當然,也不要把問題看得太嚴重了。如果只是載入了2、3個文件,清理或不清理是沒有多大區別的。當你載入了5個10個甚至更多的文件的時候,用完一個就清理一下記憶體
<?php
$html->clear();
?>
一個例項:
<p>簡單範例
<?PHP
include "simple_html_dom.php" ;//載入simple_html_dom.php檔案
$html = file_get_html('http://www.google.com/');//獲取html
$dom = new simple_html_dom(); //new simple_html_dom物件
$dom->load($html) //載入html
// Find all images
foreach($dom->find('img') as $element) {
//獲取img標籤陣列
echo $element->src . '<br>'; //獲取每個img標籤中的src
}
// Find all links
foreach($dom->find('a') as $element){ //獲取a標籤的陣列
echo $element->href . '<br>';//獲取每個a標籤中的href
}
$html = file_get_html('http://slashdot.org/'); //獲取html
$dom = new simple_html_dom(); //new simple_html_dom物件
$dom->load($html); //載入html
// Find all article blocks
foreach($dom->find('div.article') as $article) {
$item['title'] = $article->find('div.title', 0)->plaintext; //plaintext 獲取純文字
$item['intro'] = $article->find('div.intro', 0)->plaintext;
$item['details'] = $article->find('div.details', 0)->plaintext;
$articles[] = $item;
}
print_r($articles);
// Create DOM from string
$html = str_get_html('<div id="hello">Hello</div><div id="world">World</div>');
$dom = new simple_html_dom(); //new simple_html_dom物件</p><p>
$dom->load($html); //載入html
$dom->find('div', 1)->class = 'bar'; //class = 賦值 給第二個div的class賦值</p><p>
$dom->find('div[id=hello]', 0)->innertext = 'foo'; //innertext內部文字</p><p>
echo $dom;
//Output:
<div id="hello">foo</div><div id="world" class="bar">World</div>
<p> DOM methods & properties
Name Description
void __construct ( [string $filename] ) 建構函式,將檔名引數將自動載入內容,無論是文字或檔案/ url。
string plaintext 純文字
void clear () 清理記憶體
void load ( string $content ) 載入內容
string save ( [string $filename] ) Dumps the internal DOM tree back into a string. If the $filename is set, result string will save to file.
void load_file ( string $filename ) Load contents from a from a file or a URL.
void set_callback ( string $function_name ) 設定一個回撥函式。
mixed find ( string $selector [, int $index] ) 找到元素的CSS選擇器。返回第n個元素物件如果索引設定,否則返回一個數組物件。 </p>
- 4.find 方法詳細介紹</p><p>
- find ( string $selector [, int $index] )
- // Find all anchors, returns a array of element objects a標籤陣列
- $ret = $html->find('a');</p><p> // Find (N)th anchor, returns element object or null if not found (zero based)第一個a標籤
- $ret = $html->find('a', 0);</p><p> // Find lastest anchor, returns element object or null if not found (zero based)最後一個a標籤
- $ret = $html->find('a', -1); </p><p> // Find all <div> with the id attribute
- $ret = $html->find('div[id]');</p><p> // Find all <div> which attribute id=foo
- $ret = $html->find('div[id=foo]'); </p><p>
- // Find all element which id=foo
- $ret = $html->find('#foo');</p><p> // Find all element which class=foo
- $ret = $html->find('.foo');</p><p> // Find all element has attribute id
- $ret = $html->find('*[id]'); </p><p> // Find all anchors and images a標籤與img標籤陣列
- $ret = $html->find('a, img'); </p><p> // Find all anchors and images with the "title" attribute
- $ret = $html->find('a[title], img[title]');</p><p>
- // Find all <li> in <ul>
- $es = $html->find('ul li'); ul標籤下的li標籤陣列</p><p> // Find Nested <div> tags
- $es = $html->find('div div div'); div標籤下div標籤下div標籤陣列</p><p> // Find all <td> in <table> which class=hello
- $es = $html->find('table.hello td'); table標籤下td標籤陣列</p><p> // Find all td tags with attribite align=center in table tags
- $es = $html->find(''table td[align=center]'); </p><p>
- 5.Element 的方法
- $e = $html->find("div", 0); //$e 所擁有的方法如下表所示
- Attribute Name Usage
- $e->tag 標籤
- $e->outertext 外文字
- $e->innertext 內文字
- $e->plaintext 純文字 </p><p> </p><p> // Example
- $html = str_get_html("<div>foo <b>bar</b></div>");
- echo$e->tag; // Returns: " div"
- echo$e->outertext; // Returns: " <div>foo <b>bar</b></div>"
- echo$e->innertext; // Returns: " foo <b>bar</b>"
- echo$e->plaintext; // Returns: " foo bar"</p><p>
- 6.DOM traversing 方法
- Method Description
- mixed$e->children ( [int $index] ) 子元素
- element$e->parent () 父元素
- element$e->first_child () 第一個子元素
- element$e->last_child () 最後一個子元素
- element$e->next_sibling () 後一個兄弟元素
- element$e->prev_sibling () 前一個兄弟元素 </p><p>
- // Example
- echo$html->find("#div1", 0)->children(1)->children(1)->children(2)->id;
- // or
- echo$html->getElementById("div1")->childNodes(1)->childNodes(1)->childNodes(2)->getAttribute('id');
- </p>