在 PHP 中解析 HTML
解析 HTML 允许我们将其内容或标记转换为字符串，从而更容易分析或创建动态 HTML 文件。更详细地说，它获取原始 HTML 代码，读取它，生成从段落到标题的 DOM 树对象结构，并允许我们提取重要或需要的信息。
我们使用内置库解析 HTML 文件，有时使用第三方库来进行网页抓取或 PHP 内容分析。根据方法的不同，目标是将 HTML 文档正文转换为字符串以提取每个 HTML 标记。
本文将讨论内置类 DomDocument() 和两个第三方库 simplehtmldom 和 DiDOM。
使用 DomDocument() 在 PHP 中解析 HTML
无论是本地 HTML 文件还是在线网页，DOMDocument() 和 DOMXpath() 类都有助于解析 HTML 文件并将其元素存储为字符串，或者在我们的示例中存储为数组。
让我们使用函数解析这个 HTML 文件并返回标题、子标题和段落。
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8" />
<meta http-equiv="X-UA-Compatible" content="IE=edge" />
<meta name="viewport" content="width=device-width, initial-scale=1.0" />
<title>Document</title>
</head>
<body>
<h2 class="main">Welcome to the Abode of PHP</h2>
<p class="special">
PHP has been the saving grace of the internet from its inception, it
runs over 70% of website on the internet
</p>
<h3>Understanding PHP</h3>
<p>
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Eum minus
eos cupiditate earum et optio culpa, eligendi facilis laborum
dolore.
</p>
<h3>Using PHP</h3>
<p>
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Eum minus
eos cupiditate earum et optio culpa, eligendi facilis laborum
dolore.
</p>
<h3>Install PHP</h3>
<p>
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Eum minus
eos cupiditate earum et optio culpa, eligendi facilis laborum
dolore.
</p>
<h3>Configure PHP</h3>
<p>
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Eum minus
eos cupiditate earum et optio culpa, eligendi facilis laborum
dolore.
</p>
<h2 class="main">Welcome to the Abode of JS</h2>
<p class="special">
PHP has been the saving grace of the internet from its inception, it
runs over 70% of website on the internet
</p>
<h3>Understanding JS</h3>
<p>
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Eum minus
eos cupiditate earum et optio culpa, eligendi facilis laborum
dolore.
</p>
</body>
</html>
PHP 代码：
<?php
$html = 'index.html';
function getRootElement($element, $html)
{
$dom = new DomDocument();
$html = file_get_contents($html);
$dom->loadHTML($html);
$dom->preserveWhiteSpace = false;
$content = $dom->getElementsByTagName($element);
foreach ($content as $each) {
echo $each->nodeValue;
echo "\n";
}
}
echo "The H2 contents are:\n";
getRootElement("h2", $html);
echo "\n";
echo "The H3 contents are:\n";
getRootElement("h3", $html);
echo "\n";
echo "The Paragraph contents include\n";
getRootElement("p", $html);
echo "\n";
代码片段的输出是：
The H2 contents are:
Welcome to the Abode of PHP
Welcome to the Abode of JS
The H3 contents are:
Understanding PHP
Using PHP
Install PHP
Configure PHP
Understanding JS
The Paragraph contents include
PHP has been the saving grace of the internet from its inception, it
runs over 70% of the website on the internet
...
在 PHP 中使用 simplehtmldom 解析 HTML
对于 CSS 样式选择器等附加功能，你可以使用名为 Simple HTML DOM Parser 的第三方库，这是一个简单快速的 PHP 解析器。你可以下载它并包含或需要单个 PHP 文件。
通过此过程，你可以轻松解析所需的所有元素。使用与上一节相同的代码片段，我们将使用名为 str_get_html() 的函数解析 HTML，该函数处理 HTML 并使用 find() 方法查找特定的 HTML 元素或标记。
要查找具有特殊 class 的元素，我们需要将 class 选择器应用于每个 find 元素。此外，要找到实际文本，我们需要在元素上使用 innertext 选择器，然后将其存储在数组中。
使用与上一节相同的 HTML 文件，让我们使用 simplehtmldom 解析它。
<?php
require_once('simple_html_dom.php');
function getByClass($element, $class)
{
$content= [];
$html = 'index.html';
$html_string = file_get_contents($html);
$html = str_get_html($html_string);
foreach ($html->find($element) as $element) {
if ($element->class === $class) {
array_push($heading, $element->innertext);
}
}
print_r($content);
}
getByClass("h2", "main");
getByClass("p", "special");
代码片段的输出是：
Array
(
[0] => Welcome to the Abode of PHP
[1] => Welcome to the Abode of JS
)
Array
(
[0] => PHP has been the saving grace of the internet from its inception, it runs over 70% of the website on the internet
[1] => PHP has been the saving grace of the internet from its inception, it runs over 70% of the website on the internet
)
在 PHP 中使用 DiDOM 解析 HTML
对于这个第三方 PHP 库，我们必须使用一个名为 Composer 的 PHP 依赖项管理器，它允许我们管理所有 PHP 库和依赖项。DiDOM 库可通过 GitHub 获得，它提供比其他库更高的速度和内存管理。
如果没有，可以安装在这里安装 Composer。但是，如果你有，以下命令会将 DiDOM 库添加到你的项目中。
composer require imangazaliev/didom
之后，你可以使用下面的代码，它与 simplehtmldom 的结构类似，带有 find() 方法。有一个 text()，它将 HTML 元素上下文转换为我们可以在代码中使用的字符串。
has() 函数允许你检查 HTML 字符串中是否有元素或类，并返回一个布尔值。
<?php
use DiDom\Document;
require_once('vendor/autoload.php');
$html = 'index.html';
$document = new Document('index.html', true);
echo "H3 Element\n";
if ($document->has('h3')) {
$elements = $document->find('h3');
foreach ($elements as $element) {
echo $element->text();
echo "\n";
}
}
echo "\nElement with the Class 'main'\n";
if ($document->has('.main')) {
$elements = $document->find('.main');
foreach ($elements as $element) {
echo $element->text();
echo "\n";
}
}
代码片段的输出是：
H3 Element
Understanding PHP
Using PHP
Install PHP
Configure PHP
Understanding JS
Element with the Class 'main'
Welcome to the Abode of PHP
Welcome to the Abode of JS
Olorunfemi is a lover of technology and computers. In addition, I write technology and coding content for developers and hobbyists. When not working, I learn to design, among other things.
LinkedIn