PHP操作DOM元素，PHP抓取网页内容并对HTML节点处理，PHP抓取HTML内容，标题等

Simple_HTML_Dom 是一个基于PHP的开源库，它提供了一种简洁且高效的方式来解析和操作HTML文档。在这个项目中，我们找到了一种优雅地处理HTML的方法，无论你是进行数据抓取、页面重构还是自动化测试，它都能成为你的得力工具。

项目简介

Simple_HTML_Dom为PHP开发者提供了一个对象模型，使得HTML元素可以像DOM（Document Object Model）一样被遍历和操作。它不需要依赖其他扩展，只需在PHP环境中即可直接运行。通过封装了PHP的内部函数，它简化了HTML的解析过程，使得我们可以以面向对象的方式处理HTML文档。

技术分析

内存高效：不同于传统的DOM解析方式，Simple_HTML_Dom在内存中构建HTML树，避免了文件读取或流处理带来的额外开销。

面向对象：提供了如find()这样的方法，允许用户使用CSS选择器来查找特定元素，这使得HTML操作更直观、更便捷。

递归操作：支持对HTML节点的递归操作，你可以轻松添加、删除、修改或复制任何元素和属性。

兼容性好：由于不依赖于PHP的DOM扩展，所以它在各种PHP版本和环境下都有良好的兼容性。

应用场景

数据抓取：对于需要从网页中提取结构化信息的应用，Simple_HTML_Dom提供了快速定位目标元素的手段。

Web自动化：在自动化测试和爬虫程序中，它可以用于动态生成或修改HTML页面。

前端预处理：如果你需要在服务器端处理一些HTML模板，它可以帮你实现模板的动态调整和渲染。

页面重构：在维护老旧代码或者进行HTML清理时，它可以作为一个强大的工具。

使用教程

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 ();
?>

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：

<?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)) {
//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：

<?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：

<?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^_^

<?php
$html->clear();
?>

原文参考：http://www.cnphp.info/php-simple-html-dom-parser-intro.html