由于项目需要写一个爬虫工具获取目标网页的数据，因此采用了非常好用simple Html Dom，它是PHP的一个扩展类库，学习它很简单，看看接口文档或者源码说明就可以了。
这里附下手册文档地址：
英文：http://www.phpddt.com/manual/simplehtmldom_1_5/manual.htm
中文：http://microphp.us/plugins/public/microphp_res/simple_html_dom/manual.htm
一.开始使用
上传类文件以后,有三种方式调用这个类:
1.从url中加载html文档
2.从字符串中加载html文档
3.从文件中加载html文档
<?php
// 新建一个Dom实例
$html->load_file('http://www.cnphp.info/php-simple-html-dom-parser-intro.html');
// 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。
二.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:
<?php
//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:
<?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
<?php
// 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
<?php
// 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
$e->next_sibling ();
?>
三.元素属性操作
使用简单的正则表达式来操作属性选择器。
[attribute] – 选择包含某属性的html元素
[attribute=value] – 选择所有指定值属性的html元素
[attribute!=value]- 选择所有非指定值属性的html元素
[attribute^=value] -选择所有指定值开头属性的html元素
[attribute$=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DOM中元素属性也是对象:
<?php
// 本例中将$a的锚链接值赋给$link变量
$link = $a->href;
?>
或者:
<?php
$link = $html->find('a',0)->href;
?>
每个对象都有4个基本对象属性:
tag – 返回html标签名
innertext – 返回innerHTML
outertext – 返回outerHTML
plaintext – 返回html标签中的文本
在解析器中编辑元素编辑元素属性的用法和调用它们是类似的
<?php
//给$a的锚链接赋新值
$a->href = 'http://www.cnphp.info';
// 删除锚链接
$a->href = null;
// 检测是否存在锚链接
if(isset($a->href)) {
//...
}
?>
保存修改后的html DOM文档也非常简单:
<?php
$doc = $html;
// 输出
echo $doc;
?>
四.如何避免解析器消耗过多内存
Simple HTML DOM解析器会有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绝对是对自己负责啦！
<?php
$html->clear();
?>
网友评论