【php网页爬虫】php抓取网页数据

插件介绍：

PHP Simple HTML DOM解析类：Simple HTML DOM parser 帮我们很好地解决了使用 php html 解析 问题。可以通过这个php类来解析html文档，对其中的html元素进行操作 (PHP5+以上版本)。

下载地址：https://github.com/samacs/simple_html_dom

使用方法：

1.引入simplehtmldom  

//一下三种加载方式按照需求选择其中一种即可
// 从url中加载
$html->load_file('http://www.jb51.net');

// 从字符串中加载
$html->load('从字符串中加载html文档演示');

//从文件中加载
$html->load_file('path/file/test.html');

2.获取html内容

/查找html文档中的超链接元素
$a = $html->find('a');

//查找文档中第(N)个超链接，如果没有找到则返回空数组.
$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：

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，查找含title属性的a标签和img标签
$ret = $html->find('a[title], img[title]');
?>

解析器支持对子元素的查找

find('ul li');

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

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

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。

div[attribute] – 选择包含某属性的div元素
div[attribute=value] – 选择所有指定值属性的div元素
div[attribute!=value]- 选择所有非指定值属性的div元素
div[attribute^=value] -选择所有指定值开头属性的div元素
div[attribute$=value] 选择所有指定值结尾属性的div元素
div[attribute*=value] -选择所有包含指定值属性的div元素

在解析器中调用元素属性
在DOM中元素属性也是对象：

href;
?>

或者：

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：

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：

outertext = '
' . $e->outertext . '
';

// 删除元素
$e->outertext = '';

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

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

保存修改后的html DOM文档也非常简单：

如何避免解析器消耗过多内存

如果php脚本占用内存太多，会导致网站停止响应等一系列严重的问题。解决的方法也很简单，在解析器加载html文档并使用完成后，记得清理掉这个对象就可以了。当然，也不要把问题看得太严重了。如果只是加载了2、3个文档，清理或不清理是没有多大区别的。当你加载了5个10个甚至更多的文档的时候，用完一个就清理一下内存绝对是对自己负责啦^_^

clear();
?>

参考文章： http://www.jb51.net/article/39526.htm