php解析html类库simple_html_dom(爬虫相关)

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

解析器不仅仅只是帮助我们验证html文档;更能解析不符合W3C标准的html文档。它使用了类似jQuery的元素选择器,通过元素的id,class,tag等等来查找定位;同时还提供添加、删除、修改文档树的功能。当然,这样一款强大的html Dom解析器也不是尽善尽美;在使用的过程中需要十分小心内存消耗的情况。不过,不要担心;本文中,笔者在最后会为各位介绍如何避免消耗过多的内存。

开始使用

上传类文件以后,有三种方式调用这个类:

从url中加载html文档

从字符串中加载html文档

从文件中加载html文档

// 新建一个Dom实例

$html =newsimple_html_dom();

// 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');

?>

如果从字符串加载html文档,需要先从网络上下载。建议使用CURL来抓取html文档并加载DOM中。

PHP Simple HTML DOM Parser提供了3种方式来创建DOM对象 :

// Create a DOM object from a string

$html = str_get_html('Hello!');

// 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函数来查找html文档中的元素。返回的结果是一个包含了对象的数组。我们使用HTML DOM解析类中的函数来访问这些对象,下面给出几个示例:

//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:

// 查找id='#container'的元素

$ret = $html->find('#container');

// 找到所有class=foo的元素

$ret = $html->find('.foo');

// 查找多个html标签

$ret = $html->find('a, img');

// 还可以这样用

$ret = $html->find('a[title], img[title]');

?>

解析器支持对子元素的查找

// 查找 ul列表中所有的li项

$ret = $html->find('ul li');

//查找 ul 列表指定class=selected的li项

$ret = $html->find('ul li.selected');

?>

如果你觉得这样用起来麻烦,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

// 返回父元素

$e->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。

[attribute] – 选择包含某属性的html元素

[attribute=value] – 选择所有指定值属性的html元素

[attribute!=value]- 选择所有非指定值属性的html元素

[attribute^=value] -选择所有指定值开头属性的html元素

[attribute$=value] 选择所有指定值结尾属性的html元素

[attribute*=value] -选择所有包含指定值属性的html元素

在解析器中调用元素属性

在DOM中元素属性也是对象:

// 本例中将$a的锚链接值赋给$link变量

$link = $a->href;

?>

或者:

$link = $html->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:

//给$a的锚链接赋新值

$a->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:

// 封装元素

$e->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:

$doc = $html;

// 输出

echo$doc;

?>

如何避免解析器消耗过多内存

在本文的开篇中,笔者就提到了Simple HTML DOM解析器消耗内存过多的问题。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

$html->clear();

?>

一个实例:

简单范例

include"simple_html_dom.php";//加载simple_html_dom.php文件 

$html = file_get_html('http://www.google.com/');//获取html                           

$dom =newsimple_html_dom();//new simple_html_dom对象                           

$dom->load($html)//加载html                                           

// Find all images                                         

foreach($dom->find('img')as$element) {

//获取img标签数组                                     

echo$element->src .'
';//获取每个img标签中的src

}                                                     

// Find all links                                             

foreach($dom->find('a')as$element){//获取a标签的数组                                       

echo$element->href .'
';//获取每个a标签中的href                             

}

$html = file_get_html('http://slashdot.org/');//获取html                               

$dom =newsimple_html_dom();//new simple_html_dom对象                               

$dom->load($html);//加载html                                       

// Find all article blocks                                         

foreach($dom->find('div.article')as$article) {

$item['title'] = $article->find('div.title',0)->plaintext;//plaintext 获取纯文本

$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('

Hello
World
');

$dom =newsimple_html_dom();//new simple_html_dom对象

   

$dom->load($html);//加载html 

$dom->find('div',1)->class ='bar';//class = 赋值 给第二个div的class赋值

 

$dom->find('div[id=hello]',0)->innertext ='foo';//innertext内部文本

   

echo$dom;


//Output:

fooWorld

DOM methods & properties

    Name Description 

    void __construct ( [string $filename] ) 构造函数,将文件名参数将自动加载内容,无论是文本或文件/ url。 

    string plaintext 纯文本 

    void clear () 清理内存 

    void load ( string $content ) 加载内容 

    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 ) 设置一个回调函数。 

mixed find ( string $selector [, int $index] ) 找到元素的CSS选择器。返回第n个元素对象如果索引设置,否则返回一个数组对象。

    4.find 方法详细介绍

  

find ( string$selector [, int $index] )   

// Find all anchors, returns a array of element objects a标签数组  

$ret = $html->find('a');

  // Find (N)th anchor, returns element object or null if not found (zero based)第一个a标签  

$ret = $html->find('a', 0);

   // Find lastest anchor, returns element object or null if not found (zero based)最后一个a标签  

$ret = $html->find('a', -1); 

 // Find all 

 with the id attribute   

$ret = $html->find('div[id]');

    // Find all 

 which attribute id=foo  

$ret = $html->find('div[id=foo]'); 

  

// Find all element which id=foo  

$ret = $html->find('#foo');

   // Find all element which class=foo  

$ret = $html->find('.foo');

   // Find all element has attribute id  

$ret = $html->find('*[id]'); 

 // Find all anchors and images a标签与img标签数组   

$ret = $html->find('a, img');  

  // Find all anchors and images with the "title" attribute  

$ret = $html->find('a[title], img[title]');

  

// Find all 

  •  in 
         

      $es = $html->find('ul li'); ul标签下的li标签数组

        // Find Nested 

       tags  

      $es = $html->find('div div div');  div标签下div标签下div标签数组

         // Find all  in 

       which class=hello   

      $es = $html->find('table.hello td'); table标签下td标签数组

         // Find all td tags with attribite align=center in table tags   

      $es = $html->find(''table td[align=center]'); 

         

          5.Element  的方法  

      $e = $html->find("div", 0);                              //$e 所拥有的方法如下表所示  

          Attribute Name Usage   

      $e->tag 标签   

      $e->outertext 外文本   

      $e->innertext 内文本   

      $e->plaintext 纯文本 

       

         // Example  

      $html = str_get_html("

      foo bar
      ");   

      echo $e->tag; // Returns: " div"  

      echo $e->outertext; // Returns: " 

      foo bar
      "  

      echo $e->innertext; // Returns: " foo bar"  

      echo $e->plaintext; // Returns: " foo bar"

        

          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 () 第一个子元素   

      element$e->last_child () 最后一个子元素   

      element$e->next_sibling () 后一个兄弟元素   

      element$e->prev_sibling () 前一个兄弟元素 

        

      // 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');  

       

      你可能感兴趣的:(php解析html类库simple_html_dom(爬虫相关))