ee01/php-html-parser

HTML DOM 解析器。它允许您操作 HTML。使用选择器查找 HTML 页面上的标签，就像 jQuery 一样。

维护者

详细信息

github.com/ee01/php-html-parser

主页

源代码

安装: 15

依赖项: 0

建议者: 0

安全: 0

星级: 0

关注者: 1

分支: 461

2.0.2.1 2019-03-26 16:34 UTC

Requires

Requires (Dev)

MIT ec901e598e276f5836278b54d3d954e6e9f479f5

parserhtmldom

This package is auto-updated.

Last update: 2024-09-27 13:58:56 UTC

README

版本 2.0.2.1

Build Status Coverage Status Scrutinizer Code Quality

PHPHtmlParser 是一个简单、灵活的 HTML 解析器，允许您使用任何 CSS 选择器选择标签，就像 jQuery 一样。目标是协助开发需要快速、简单抓取 HTML（无论是有效的还是无效的）的工具！

安装

此包可在 packagist 上找到，并建议使用 composer 加载。我们支持 php 7.1、7.2 和 7.3。

用法

您可以在测试目录中找到许多如何使用 DOM 解析器和其任何部分（您最可能永远不会接触到的）的示例。测试是用 PHPUnit 进行的，非常小巧，每个只有几行，是一个很好的起点。因此，我仍将展示一些如何使用此包的示例。以下是一个使用此包的非常简单的示例。

// Assuming you installed from Composer:
require "vendor/autoload.php";
use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->load('<div class="all"><p>Hey bro, <a href="google.com">click here</a><br /> :)</p></div>');
$a = $dom->find('a')[0];
echo $a->text; // "click here"

上面的示例将输出 "点击这里"。简单吧？从 DOM 中获取相同结果的方法有很多，例如 $dom->getElementsbyTag('a')[0] 或 $dom->find('a', 0)，这些都可以在测试或代码本身中找到。

加载文件

您还可以无缝地将文件加载到 DOM 中，而不是字符串，这更方便，也是大多数开发者加载 HTML 的方式。以下示例取自我们的测试，并使用在该处找到的 "big.html" 文件。

// Assuming you installed from Composer:
require "vendor/autoload.php";
use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->loadFromFile('tests/big.html');
$contents = $dom->find('.content-border');
echo count($contents); // 10

foreach ($contents as $content)
{
	// get the class attr
	$class = $content->getAttribute('class');
	
	// do something with the html
	$html = $content->innerHtml;

	// or refine the find some more
	$child   = $content->firstChild();
	$sibling = $child->nextSibling();
}

此示例从 big.html 加载 HTML，这是一个在线找到的实时页面，并处理所有内容-border 类。它还展示了您可以使用节点执行的一些操作，但这不是节点可用的方法的全列表。

或者，您始终可以使用 load() 方法来加载文件。它将尝试使用 file_exists 找到文件，如果成功，将为您调用 loadFromFile()。同样适用于 URL 和 loadFromUrl() 方法。

加载 URL

加载 URL 的方式与从文件加载 HTML 非常相似。

// Assuming you installed from Composer:
require "vendor/autoload.php";
use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->loadFromUrl('http://google.com');
$html = $dom->outerHtml;

// or
$dom->load('http://google.com');
$html = $dom->outerHtml; // same result as the first example

使用 php cURL 配置，包括更改到 POST 方法。

// load via post method
$dom_login->load('http://google.com/login', [
	'curl' => [
		CURLOPT_REFERER => 'http://google.com',
		CURLOPT_HTTPHEADER => [
			'Content-Type: application/json;',
		],
		CURLOPT_POST => 1,
		CURLOPT_POSTFIELDS => [
			'account' => '111'
		]
	]
]);
$html = $dom->outerHtml;

使 loadFromUrl 方法引人注目的是 PHPHtmlParser\CurlInterface 参数，这是一个可选的第二个参数。默认情况下，我们使用 PHPHtmlParser\Curl 类获取 URL 的内容。另一方面，您也可以注入自己的 CurlInterface 实现并我们将尝试使用您想要的任何工具/设置来加载 URL，这取决于您。

// Assuming you installed from Composer:
require "vendor/autoload.php";
use PHPHtmlParser\Dom;
use App\Services\Connector;

$dom = new Dom;
$dom->loadFromUrl('http://google.com', [], new Connector);
$html = $dom->outerHtml;

只要连接器对象正确实现了 PHPHtmlParser\CurlInterface 接口，它就会使用该对象获取 URL 的内容，而不是默认的 PHPHtmlParser\Curl 类。

加载字符串

直接加载字符串，而不在 load() 中进行检查，也很容易完成。

// Assuming you installed from Composer:
require "vendor/autoload.php";
use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->loadStr('<html>String</html>', []);
$html = $dom->outerHtml;

如果字符串太长，根据您的文件系统，load() 方法将抛出警告。如果发生这种情况，您可以只需调用上述方法来绕过 load() 方法中的 is_file() 检查。

选项

您还可以设置解析选项，这将影响解析引擎的行为。您可以使用 Dom 对象中的 setOptions 方法设置全局选项数组，或者通过将其添加到 load 方法的额外（可选）参数来设置实例特定的选项。

// Assuming you installed from Composer:
require "vendor/autoload.php";
use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->setOptions([
	'strict' => true, // Set a global option to enable strict html parsing.
]);

$dom->load('http://google.com', [
	'whitespaceTextNode' => false, // Only applies to this load.
]);

$dom->load('http://gmail.com'); // will not have whitespaceTextNode set to false.

目前我们支持 8 个选项。

严格

严格模式，默认为false，如果发现HTML不符合严格规范（所有标签必须有结束标签，没有值的属性等），则会抛出StrickException异常。

whitespaceTextNode

whitespaceTextNode，默认为true，选项告诉解析器即使节点内容为空（只有空白字符）也要保存文本节点。将其设置为false将忽略文档中找到的所有仅包含空白字符的文本节点。

enforceEncoding

enforceEncoding，默认为null，选项将强制使用字符集来读取内容并在该编码中返回内容。将其设置为null将尝试从给定的字符串内容中推断编码。

cleanupInput

将此设置为false以跳过解析器的整个清理阶段。如果设置为true，则将忽略下一个3个选项。默认为true。

removeScripts

将此设置为false以跳过从文档主体中删除脚本标签。这可能会产生不利影响。默认为true。

removeStyles

将此设置为false以跳过从文档主体中删除样式标签。这可能会产生不利影响。默认为true。

preserveLineBreaks

如果设置为true，则保留换行符。如果设置为false，则将换行符作为输入清理过程的一部分进行清理。默认为false。

removeDoubleSpace

如果您想保留文本节点内的空白字符，请将此设置为false。它默认设置为true。静态外观

您还可以为Dom对象安装静态外观。

PHPHtmlParser\StaticDom::mount();

Dom::load('tests/big.hmtl');
$objects = Dom::find('.content-border');

上述PHP块执行与第一个示例相同的查找和加载操作，但它使用的是静态外观，该外观支持Dom对象中找到的所有公共方法。

修改Dom

您可以始终修改从任何加载方法创建的dom。要更改任何节点的属性，只需调用setAttribute方法。

$dom = new Dom;
$dom->load('<div class="all"><p>Hey bro, <a href="google.com">click here</a><br /> :)</p></div>');
$a = $dom->find('a')[0];
$a->setAttribute('class', 'foo');
echo $a->getAttribute('class'); // "foo"

您还可以直接获取PHPHtmlParser\Dom\Tag类并按需操作它。

$dom = new Dom;
$dom->load('<div class="all"><p>Hey bro, <a href="google.com">click here</a><br /> :)</p></div>');
$a   = $dom->find('a')[0];
$tag = $a->getTag();
$tag->setAttribute('class', 'foo');
echo $a->getAttribute('class'); // "foo"

您还可以从树中删除节点。只需在任意节点上调用delete方法即可将其从树中删除。重要的是要注意，您应该在从`DOM`中删除节点后取消设置节点，否则它将占用内存，直到被取消设置。

$dom = new Dom;
$dom->load('<div class="all"><p>Hey bro, <a href="google.com">click here</a><br /> :)</p></div>');
$a   = $dom->find('a')[0];
$a->delete();
unset($a);
echo $dom; // '<div class="all"><p>Hey bro, <br /> :)</p></div>');

您可以轻松地修改TextNode对象的文本。请注意，如果您设置了编码，则新文本将使用现有编码进行编码。

$dom = new Dom;
$dom->load('<div class="all"><p>Hey bro, <a href="google.com">click here</a><br /> :)</p></div>');
$a   = $dom->find('a')[0];
$a->firstChild()->setText('biz baz');
echo $dom; // '<div class="all"><p>Hey bro, <a href="google.com">biz baz</a><br /> :)</p></div>'