一直以來使用php解析html文檔樹都是一個難題。Simple HTML DOM parser 幫我們很好地解決了這個問題。可以通過這個php類來解析html文檔，對其中的html元素進行操作 (PHP5+以上版本)
下載地址：https://github.com/samacs/simple_html_dom
解 析器不僅僅只是幫助我們驗證html文檔；更能解析不符合W3C標准的html文檔。它使用了類似jQuery的元素選擇器，通過元素的 id，class，tag等等來查找定位；同時還提供添加、刪除、修改文檔樹的功能。當然，這樣一款強大的html Dom解析器也不是盡善盡美；在使用的過程中需要十分小心內存消耗的情況。不過，不要擔心；本文中，筆者在最後會為各位介紹如何避免消耗過多的內存。
開始使用
上傳類文件以後，有三種方式調用這個類：
從url中加載html文檔
從字符串中加載html文檔
從文件中加載html文檔
復制代碼 代碼如下:
<?php
// 新建一個Dom實例
$html = new simple_html_dom();
// 從url中加載
$html->load_file('http://www.jb51.net');
// 從字符串中加載
$html->load('<html><body>從字符串中加載html文檔演示</body></html>');
//從文件中加載
$html->load_file('path/file/test.html');
?>
如果從字符串加載html文檔，需要先從網絡上下載。建議使用cURL來抓取html文檔並加載DOM中。
查找html元素
可以使用find函數來查找html文檔中的元素。返回的結果是一個包含了對象的數組。我們使用HTML DOM解析類中的函數來訪問這些對象，下面給出幾個示例：
復制代碼 代碼如下:
<?php
//查找html文檔中的超鏈接元素
$a = $html->find('a');
//查找文檔中第(N)個超鏈接，如果沒有找到則返回空數組.
$a = $html->find('a', 0);
// 查找id為main的div元素
$main = $html->find('div[id=main]',0);
// 查找所有包含有id屬性的div元素
$divs = $html->find('div[id]');
// 查找所有包含有id屬性的元素
$divs = $html->find('[id]');
?>
還可以使用類似jQuery的選擇器來查找定位元素：
復制代碼 代碼如下:
<?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');
// 查找多個html標簽
$ret = $html->find('a, img');
// 還可以這樣用
$ret = $html->find('a[title], img[title]');
?>
解析器支持對子元素的查找
復制代碼 代碼如下:
<?php
// 查找 ul列表中所有的li項
$ret = $html->find('ul li');
//查找 ul 列表指定class=selected的li項
$ret = $html->find('ul li.selected');
?>
如果你覺得這樣用起來麻煩，使用內置函數可以輕松定位元素的父元素、子元素與相鄰元素
復制代碼 代碼如下:
<?php
// 返回父元素
$e->parent;
// 返回子元素數組
$e->children;
// 通過索引號返回指定子元素
$e->children(0);
// 返回第一個資源速
$e->first_child ();
// 返回最後一個子元素
$e->last _child ();
// 返回上一個相鄰元素
$e->prev_sibling ();
//返回下一個相鄰元素
$e->next_sibling ();
?>
元素屬性操作
使用簡單的正則表達式來操作屬性選擇器。
[attribute] – 選擇包含某屬性的html元素
[attribute=value] – 選擇所有指定值屬性的html元素
[attribute!=value]- 選擇所有非指定值屬性的html元素
[attribute^=value] -選擇所有指定值開頭屬性的html元素
[attribute$=value] 選擇所有指定值結尾屬性的html元素
[attribute*=value] -選擇所有包含指定值屬性的html元素
在解析器中調用元素屬性
在DOM中元素屬性也是對象：
復制代碼 代碼如下:
<?php
// 本例中將$a的錨鏈接值賦給$link變量
$link = $a->href;
?>
或者：
復制代碼 代碼如下:
<?php
$link = $html->find('a',0)->href;
?
每個對象都有4個基本對象屬性:
tag – 返回html標簽名
innertext – 返回innerHTML
outertext – 返回outerHTML
plaintext – 返回html標簽中的文本
在解析器中編輯元素
編輯元素屬性的用法和調用它們是類似的：
復制代碼 代碼如下:
<?php
//給$a的錨鏈接賦新值
$a->href = 'http://www.jb51.net';
// 刪除錨鏈接
$a->href = null;
// 檢測是否存在錨鏈接
if(isset($a->href)) {
//代碼
}
?>
解析器中沒有專門的方法來添加、刪除元素，不過可以變通一下使用：
復制代碼 代碼如下:
<?php
// 封裝元素
$e->outertext = '<div class="wrap">' . $e->outertext . '<div>';
// 刪除元素
$e->outertext = '';
// 添加元素
$e->outertext = $e->outertext . '<div>foo<div>';
// 插入元素
$e->outertext = '<div>foo<div>' . $e->outertext;
?
保存修改後的html DOM文檔也非常簡單：
復制代碼 代碼如下:
<?php
$doc = $html;
// 輸出
echo $doc;
?>
如何避免解析器消耗過多內存
在 本文的開篇中，筆者就提到了Simple HTML DOM解析器消耗內存過多的問題。如果php腳本占用內存太多，會導致網站停止響應等一系列嚴重的問題。解決的方法也很簡單，在解析器加載html文檔並 使用完成後，記得清理掉這個對象就可以了。當然，也不要把問題看得太嚴重了。如果只是加載了2、3個文檔，清理或不清理是沒有多大區別的。當你加載了5個 10個甚至更多的文檔的時候，用完一個就清理一下內存絕對是對自己負責啦^_^
復制代碼 代碼如下:
<?php
$html->clear();
?>
