curl抓取页面,不会正则html类库simple_html_dom帮你
浏览量:564
html类库simple_html_dom使用方法
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)。
1.下载地址如下：
2、开始使用，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
<?php
// 新建一个Dom实例
$html = new simple_html_dom();
// 从url中加载
$html->load_file('http://www.cnphp.info/php-simple-html-dom-parser-intro.html');
// 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');
?>3.查找你需要的html元素
<?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]');
?>看到这里你是不是就迫不及待的开始测试了，打印数据了，但是出来了好多的属性值，都没用，并且会占用你大量的内存，导致你的电脑卡死。
哈哈，这是正常的，刚开始吗？
我这边给你们举个小例子你就知道了怎么处理了,这是在天涯论坛抓取的一个小页面，很简单
例如：
<?php
header("Content-Type: text/html;charset=utf-8");
//引入一个类
include 'simple_html_dom.php';
// 实例化
$html = new simple_html_dom();
// 从文件中加载,我事先抓取一个网站的页面，保存成html
$html->load_file('tianya.html');
//获取文件标题和地址
$a = $html->find('h3 a');
var_dump($a->href);
var_dump($a->plaintext );
//大胆的给自己一次寻找爱的机会,遇见对的人,来这样寻找你的那个他(她)
//释放内存
$html->clear();
?>这查找出来含有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
4.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]');
?>5.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');
?>6.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 $e->next_sibling (); ?>
7.元素属性操作
使用简单的正则表达式来操作属性选择器。
[attribute] – 选择包含某属性的html元素
[attribute=value] – 选择所有指定值属性的html元素
[attribute!=value]- 选择所有非指定值属性的html元素
[attribute^=value] -选择所有指定值开头属性的html元素
[attribute$=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
8.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(); ?>
神回复
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。