Простейший HTML DOM парсер на PHP

Сегодня вы узнаете о простейшем HTML DOM парсере на PHP. Данный скрипт написан на PHP5+, поддерживает невалидную HTML разметку, и самое главное, с ним очень просто работать.

Скачать (.zip, 336 Кб)

Описание, Требования & Особенности

HTML DOM парсер, написанный на PHP5+, позволяет очень просто управлять структурой и данными HTML!
Для работы скрипта требуется установленный PHP 5+.
Есть поддержка невалидного HTML кода.
Есть возможность обращаться к селекторам на странице, как в jQuery.
Присутствует возможность извлекать содержимое HTML в одну строку.

Быстрый старт

[w2hideshow]

Как получить HTML элемент?

// Создаем DOM из URL или файла

$html = file_get_html('http://www.google.com/');

// Находим все картинки

foreach($html->find('img') as $element)

echo $element->src . ' ';

// Находим все ссылки

foreach($html->find('a') as $element)

echo $element->href . ' ';

Как изменить HTML элементы?

// Создаем DOM из строки

$html = str_get_html('<div id="hello">Hello</div><div id="world">World</div>');

$html->find('div', 1)->class = 'bar';

$html->find('div[id=hello]', 0)->innertext = 'foo';

echo $html; // Вывод: <div id="hello">foo</div><div id="world" class="bar">World</div>

Извлечение содержимого из HTML

1
2

// Дамп содержимого (без тэгов) из HTML
echo file_get_html('http://www.google.com/')->plaintext;

Зачистка Slashdot!

// Создаем DOM из URL

$html = file_get_html('http://slashdot.org/');

// Находим все блоки article

foreach($html->find('div.article') as $article) {

$item['title'] = $article->find('div.title', 0)->plaintext;

$item['intro'] = $article->find('div.intro', 0)->plaintext;

$item['details'] = $article->find('div.details', 0)->plaintext;

$articles[] = $item;

}

print_r($articles);

Как создать HTML DOM объект?

Быстрый способ

// Создаем DOM объект из строки

$html = str_get_html('<html><body>Hello!</body></html>');

// Создаем DOM объект из URL

$html = file_get_html('http://www.google.com/');

// Создаем DOM объект из HTML файла

$html = file_get_html('test.htm');

Объектно-ориентированный способ

// Создаем DOM объект

$html = new simple_html_dom();

// Загружаем HTML из строки

$html->load('<html><body>Hello!</body></html>');

// Загружаем HTML из URL

$html->load_file('http://www.google.com/');

// Загружаем HTML из HTML файла

$html->load_file('test.htm');

Как найти HTML элементы?

Основы

// Находим все анкоры, возвращая массив элементов объектов

$ret = $html->find('a');

// Находим (N)-ый анкор. На выходе получаем объект или null, если такой анкор не будет найден

$ret = $html->find('a', 0);

// Находим последний анкор. На выходе получаем объект или null, если такой анкор не будет найден

$ret = $html->find('a', -1);

// Находим все <div> с атрибутом id

$ret = $html->find('div[id]');

// Находим все <div> с атрибутом id=foo

$ret = $html->find('div[id=foo]');

Как получить доступ к атрибутам HTML?

Получение, Установка и Удаление атрибутов

// Получение атрибута (Если у атрибута нет значения (например. checked, selected...), то ответ будет true или false)

$value = $e->href;

// Установка атрибута (Если у атрибута нет значения (например. checked, selected...), то ответ будет true, при удачной вставке, или false, при неудачной )

$e->href = 'my link';

// Удаление атрибута исполняется через установку его значения в null!

$e->href = null;

// Определение существования атрибута

if(isset($e->href))

echo 'href exist!';

Магические атрибуты

// Пример

$html = str_get_html("<div>foo bar</div>");

$e = $html->find("div", 0);

echo $e->tag; // Вернет: " div"

echo $e->outertext; // Вернет: " <div>foo bar</div>"

echo $e->innertext; // Вернет: " foo bar"

echo $e->plaintext; // Вернет: " foo bar"

<th width="25%">Имя атрибута</th>

<th width="75%">Использование</th>

</tr>

<td>Чтение или запись tag name элемента.</td>

</tr>

<tr>

<td>$e->outertext</td>

<td>Чтение или запись внешнего HTML текста элемента.</td>

</tr>

<tr>

<td>$e->innertext</td>

<td>Чтение или запись внутреннего HTML текста элемента.</td>

</tr>

<tr>

<td>$e->plaintext</td>

<td>Чтение или запись простого текста элемента.</td>

</tr></tbody></thead></table>

Советы

// Извлечение содержимого HTML

echo $html->plaintext;

// Оборачивание элемента

$e->outertext = '<div>' . $e->outertext . '<div>';

// Удаление элемента выполнятся следующим образом, устанавливаете его внешнему тексту значение пустой строки

$e->outertext = '';

// Добавление элемента

$e->outertext = $e->outertext . '<div>foo<div>';

// Вставка элемента

$e->outertext = '<div>foo<div>' . $e->outertext;

Как обойти DOM дерево?

Основы

// Если вы не знакомы с HTML DOM, то дополнительную информацию можно найти <a href="http://php.net/manual/en/book.dom.php" target="_blank">здесь (eng.)</a>...

// Пример

echo $html->find("#div1", 0)->children(1)->children(1)->children(2)->id;

// или

echo $html->getElementById("div1")->childNodes(1)->childNodes(1)->childNodes(2)->getAttribute('id');

Обход DOM дерева

Информацию по всем методам вы можете получить здесь.

Метод	Описание
mixed $e->children ( [int $index] )	Возвращает N-ый объект потомка, если установлен index, иначе возвращает массив элементов.
element $e->parent ()	Возваращает родительский элемент.
element $e->first_child ()	Возвращает элемент первого потомка, или null, если элемент не будет найден.
element $e->last_child ()	Возвращает элемент последнего потомка, или null, если элемент не будет найден.
element $e->next_sibling ()	Возвращает следующий соседний элемент, или null, если не будет такой найден.
element $e->prev_sibling ()	Возвращает предыдущий соседний элемент, или null, если не бидет такой найден.

Как сделать дамп содержимого DOM объекта?

Простой способ

1
2
3
4
5

// Дамп внутреннего DOM дерева обратно в строку
$str = $html;

// Печатаем!
echo $html;

Объектно-ориентированный способ

// Дамп внутреннего DOM дерева обратно в строку

$str = $html->save();

// Дамп внутреннего DOM дерева обратно в файл

$html->save('result.htm');

Как настроить поведение парсинга?

Обратные функции

// Написание функции с параметром "$element"

function my_callback($element) {

// Прячем все тэги

if ($element->tag=='b')

$element->outertext = '';

}

// Регистрация функции обратного вызова с именем my_callback

$html->set_callback('my_callback');

// Функция обратного вызова запустится при дампе

echo $html;

Описание, Требования & Особенности

Быстрый старт

Как получить HTML элемент?

Как изменить HTML элементы?

Извлечение содержимого из HTML

Зачистка Slashdot!

Как создать HTML DOM объект?

Быстрый способ

Объектно-ориентированный способ

Как найти HTML элементы?

Основы

Как получить доступ к атрибутам HTML?

Получение, Установка и Удаление атрибутов

Магические атрибуты

Советы

Как обойти DOM дерево?

Основы

Обход DOM дерева

Как сделать дамп содержимого DOM объекта?

Простой способ

Объектно-ориентированный способ

Как настроить поведение парсинга?

Обратные функции

Возможно, Вам будет интересно ↓↓↓

Оставить комментарий Отменить ответ