1.获取html
方案：curl即可，有很多类的，百度一下。
注意：现在很多网站（新浪微博等）主要类容都延迟加载，ajax加载，这样curl搞不到啊，现在还没找到解决方案，据说搞定这个问题可以赚500万。
2.解析html_dom
方案：用simple_html_dox类
教程：
一直以来使用php解析html文档树都是一个难题。Simple HTML DOM parser 帮我们很好地解决了这个问题。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)。
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。ad（精品）
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
<?php// 新建一个Dom实例$html = new simple_html_dom();// 从url中加载// 从字符串中加载$html->load('<html><body>从字符串中加载html文档演示</body></html>');//从文件中加载$html->load_file('path/file/test.html');?> |
如果从字符串加载html文档，需要先从网络上下载。建议使用cURL来抓取html文档并加载DOM中。
查找html元素
可以使用find函数来查找html文档中的元素。返回的结果是一个包含了对象的数组。我们使用HTML DOM解析类中的函数来访问这些对象，下面给出几个示例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
<?php//查找html文档中的超链接元素$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 = $html->find('[id]');?> |
还可以使用类似jQuery的选择器来查找定位元素：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
<?php// 查找id='#container'的元素$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 = $html->find('a[title], img[title]');?> |
解析器支持对子元素的查找ad（精品）
|
1
2
3
4
5
6
7
8
9
|
<?php// 查找 ul列表中所有的li项$ret = $html->find('ul li');//查找 ul 列表指定class=selected的li项$ret = $html->find('ul li.selected');?> |
如果你觉得这样用起来麻烦，使用内置函数可以轻松定位元素的父元素、子元素与相邻元素
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
<?php// 返回父元素$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 ();?> |
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$=value] 选择所有指定值结尾属性的html元素
[attribute*=value] -选择所有包含指定值属性的html元素
在解析器中调用元素属性
在DOM中元素属性也是对象：
|
1
2
3
4
|
<?php// 本例中将$a的锚链接值赋给$link变量$link = $a->href;?> |
或者：
|
1
2
3
|
<?php$link = $html->find('a',0)->href;?> |
每个对象都有4个基本对象属性:
tag – 返回html标签名
innertext – 返回innerHTML
outertext – 返回outerHTML
plaintext – 返回html标签中的文本
在解析器中编辑元素
编辑元素属性的用法和调用它们是类似的：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
<?php//给$a的锚链接赋新值// 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
<?php// 封装元素$e->outertext = '<div class="wrap">' . $e->outertext . '<div>';// 删除元素$e->outertext = '';// 添加元素$e->outertext = $e->outertext . '<div>foo<div>';// 插入元素$e->outertext = '<div>foo<div>' . $e->outertext;?> |
保存修改后的html DOM文档也非常简单：
|
1
2
3
4
5
6
|
<?php$doc = $html;// 输出echo $doc;?> |
如何避免解析器消耗过多内存
在本文的开篇中，笔者就提到了Simple HTML DOM解析器消耗内存过多的问题。如果php脚本占用内存太多，会导致网站停止响应等一系列严重的问题。解决的方法也很简单，在解析器加载html文档并使用完成后，记得清理掉这个对象就可以了。当然，也不要把问题看得太严重了。如果只是加载了2、3个文档，清理或不清理是没有多大区别的。当你加载了5个10个甚至更多的文档的时候，用完一个就清理一下内存绝对是对自己负责啦^_^ad（精品）
|
1
2
3
|
<?php$html->clear();?> |
浙公网安备 33010602011771号