事情的起源比較簡單,我需要把一個導航頁的數據整理好寫入數據庫。一個比較直觀的方法是對html文件進行分析,通用的方法是用php的正則表達式來匹配。但是這樣做開發和維護都很困難,代碼可讀性非常差。
導航頁的數據都是規則的排列在DOM樹當中的,用JS可以用幾個循環輕松的對其進行操作,而且JS需要依賴浏覽器,操作數據庫很困難。其實PHP就有現成的類庫對DOM樹種的節點進行增刪改查操作,在此做一些筆記。
這裡涉及到2個類 DOMDocument 和 DOMXPath。
其實思路比較明確,就是通過DOMDocument將一個html file轉換成DOM樹的數據結構,再用DOMXPath的實例去搜索這個DOM樹,拿到想要特定節點,接下來就可以對當前節點的子樹進行遍歷,得到想要的結果。
在當前目錄下有一個這樣一個導航的html文件 "./hao.html"
現在需要得到所有<a>標簽的中文內容,php代碼如下:
復制代碼 代碼如下:
<?php
//將html/xml文件轉換成DOM樹
$dom = new DOMDocument();
$dom->loadHTMLFile("hao.html");
//得到所有class為fix的dl標簽
// example 1: for everything with an id
//$elements = $xpath->query("//*[@id]");
// example 2: for node data in a selected id
//$elements = $xpath->query("/html/body/div[@id='yourTagIdHere']");
// example 3: same as above with wildcard
//$elements = $xpath->query("*/div[@id='yourTagIdHere']");
$xpath = new DOMXPath($dom);
$dls = $xpath->query('//dl[@class="fix"]');
foreach ($dls as $dl) {
$spans = $dl->childNodes;
foreach ($spans as $span) {
echo trim($span->textContent)."\t";
}
echo "\n";
}
?>
輸出結果如下:
注意:值得注意的一點是DOMDocument的默認編碼方式是Latin,所以在處理utf編碼的中文的時候,需要在<head>後面緊跟著填入
復制代碼 代碼如下:
<meta http-equiv="content-type" content="text/html; charset=utf-8">
在其他位置,或者是只寫上<meta content="charset=utf-8">都是不識別的哦