muchrm/php-html-parser

一个HTML DOM解析器。它允许您操作HTML。使用选择器在HTML页面上查找标签，就像jQuery一样。

维护者

详细信息

github.com/muchrm/php-html-parser

主页

源代码

安装: 22

依赖项: 0

建议者: 0

安全性: 0

星标: 0

关注者: 2

分支: 459

1.7.0 2016-04-06 15:24 UTC

Requires

Requires (Dev)

MIT 18845e09831dd0772b88b51e788a4f74c701224c

parserhtmldom

This package is not auto-updated.

Last update: 2024-09-20 20:36:37 UTC

README

版本 1.7.0

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。目标是帮助开发需要快速、简便地从HTML中抓取数据的工具，无论这些数据是否有效！这个项目最初由sunra/php-simple-html-dom-parser支持，但支持似乎已经停止，因此这个项目是我的前作品改编。

安装

此软件包可在packagist上找到，并最好使用composer加载。我们支持php 5.6, 7.0, 7.1。

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（您可能永远不会触及）的示例。测试使用PHPUnit进行，非常小，每个只有几行，是一个很好的开始地方。鉴于这一点，我仍将展示一些如何使用此软件包的示例。以下是一个使用此软件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"

上述代码将输出“点击此处”。简单吗？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，这是大多数开发者加载HTML的方式。以下示例取自我们的测试，并使用其中找到的“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();
}

此示例从网上找到的“big.html”页面加载HTML，并获取所有内容-border类进行处理。它还展示了您可以使用节点做的一些事情，但它并不是节点可用的所有方法的完整列表。

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查找文件，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的方式非常相似。

// 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loadFromUrl方法值得注意的是PHPHtmlParser\CurlInterface参数，一个可选的第二个参数。默认情况下，我们使用PHPHtmlParser\Curl类来获取URL的内容。然而，另一方面，您可以注入自己的CurlInterface实现，我们将尝试使用您想要使用的任何工具/设置来加载URL，由您决定。

// 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，它将使用该对象来获取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，不进行load()中的检查，也很容易做到。

// 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()方法将抛出一个警告。如果发生这种情况，您可以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方法中作为额外（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，默认为false，如果发现HTML不符合严格规范（所有标签必须有闭合标签，没有值的属性等），将抛出StrickException异常。

空白文本节点

空白文本节点，默认为true，这个选项告诉解析器即使节点的内容为空（只有空白），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只有空白文本节点。

强制编码

强制编码，默认为null，这个选项将强制使用一个字符集来读取内容，并以该编码返回内容。将其设置为null将尝试从给定的字符串内容中确定编码。

清理输入

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，则将忽略以下3个选项。默认为true。

移除脚本

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

移除样式

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

保留换行符

如果设置为true，将保留换行符。如果设置为false，则将作为输入清理过程的一部分清理换行符。默认为false。

移除双空格

如果您想要保留文本节点内的空白，请将此设置为false。默认为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代码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

您始终可以修改由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"

您也可以直接获取PHPHtmlParser\Dom\Tag类，并按您的需求进行操作。

$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。需要注意的是，在从`DOM`中删除节点后，您应该取消设置该节点，否则它将占用内存，直到取消设置。

$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>');

您可以轻松修改TextNode对象中的文本。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>'