natlibfi/php-html-parser

HTML DOM 解析器。允许您操作 HTML。使用选择器在 HTML 页面上找到标签,就像 jQuery 一样。

安装次数: 24,279

依赖者: 0

建议者: 0

安全: 0

星标: 1

关注者: 1

分支: 458

语言:HTML

v4.0.1 2022-10-10 13:58 UTC

This package is auto-updated.

Last update: 2024-09-10 17:49:58 UTC


README

由 paquettg/php-html-parser 分支而来

CI

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、轻松抓取 HTML 的工具,无论其是否有效!

安装

使用 composer 安装最新版本。

$ composer require natlibfi/php-html-parser

此软件包可在 packagist 上找到,最好使用 composer 加载。我们支持 php 7.4、8.0 和 8.1。

基本用法

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(您可能永远不会触碰)的示例。测试是用 PHPUnit 进行的,非常小,每个只有几行,是一个很好的起点。鉴于这一点,我仍然会展示一些如何使用该软件包的示例。以下是一个使用该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->loadStr('<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"

上面的代码将输出 "点击这里"。简单,不是吗?从 DOM 中获取相同结果的方式有很多,比如 $dom->getElementsbyTag('a')[0]$dom->find('a', 0),这些都可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,这也是我期望大多数开发人员加载 HTML 的方式。以下示例来自我们的测试,并使用了在那里找到的 "big.html" 文件。

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

$dom = new Dom;
$dom->loadFromFile('tests/data/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真实页面,并获取所有 content-border 类以处理。它还展示了一些您可以使用节点进行的事情,但不是节点具有的所有方法的详尽列表。

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

默认情况下,loadFromUrl 将使用 \Psr\Http\Client\ClientInterface 的实现来完成 HTTP 请求,并使用 \Psr\Http\Message\RequestInterface 的默认实现来创建请求体。您可以在使用 loadFromUrl 时轻松实现自己的客户端或请求版本以使用自定义 HTTP 连接。

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

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

只要客户端对象正确实现了接口,它就会使用该对象获取 URL 的内容。

加载字符串

直接加载字符串也很容易。

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

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

选项

您还可以设置影响解析器行为的解析选项。您可以使用 Dom 对象中的 setOptions 方法设置全局选项数组,或通过将其添加到 load 方法的额外(可选)参数中设置实例特定选项。

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

$dom = new Dom;
$dom->setOptions(
    // this is set as the global option level.
    (new Options())
        ->setStrict(true)
);

$dom->loadFromUrl('http://google.com',
    (new Options())->setWhitespaceTextNode(false) // only applies to this load.
);

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

目前我们支持 12 个选项。

严格

默认情况下为 false 的严格选项会在发现 HTML 严格不合规时(所有标签必须有关闭标签,没有属性的属性没有值等)抛出 StrickException

whitespaceTextNode

默认情况下为 true 的 whitespaceTextNode 选项告诉解析器保存文本节点,即使节点的内容为空(只有空白)。将其设置为 false 将忽略文档中找到的所有只有空白文本的节点。

enforceEncoding

enforceEncoding选项默认为null,将强制使用一个字符集来读取内容并在该编码下返回内容。将其设置为null将触发从给定字符串的内容中尝试推断编码。

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,则将忽略下三个选项。默认为true

removeScripts

将此设置为false以跳过从文档体中删除脚本标签。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,则将此设置为false。默认为true

removeSmartyScripts

如果您想保留HTML内容中找到的smarty脚本,则将此设置为false。默认为true

htmlSpecialCharsDecode

默认情况下,此选项设置为false。将其设置为true将应用php函数htmlspecialchars_decode到所有属性值和文本节点。

selfClosing

此选项包含所有自闭合标签的数组。这些标签必须是自闭合的,如果启用了严格模式,则解析器将强制它们自闭合。您可以使用任何其他可以作为自闭合标签使用的标签来更新此列表。您还可以从该数组中删除标签或完全清除它。

noSlash

此选项包含所有不能自闭合的标签的数组。列表最初为空,但您可以添加所需的项目。

静态外观

您还可以为Dom对象安装静态外观。

PHPHtmlParser\StaticDom::mount();

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

上面的php块执行与第一个示例相同的查找和加载,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。

use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->loadStr('<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,并按需对其进行操作。

use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->loadStr('<div class="all"><p>Hey bro, <a href="google.com">click here</a><br /> :)</p></div>');
/** @var Dom\Node\AbstractNode $a */
$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。请注意,删除节点后,您应该在`DOM`中取消设置该节点,否则它仍会占用内存,直到它被取消设置。

use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->loadStr('<div class="all"><p>Hey bro, <a href="google.com">click here</a><br /> :)</p></div>');
/** @var Dom\Node\AbstractNode $a */
$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。

use PHPHtmlParser\Dom;

$dom = new Dom;
$dom->loadStr('<div class="all"><p>Hey bro, <a href="google.com">click here</a><br /> :)</p></div>');
/** @var Dom\Node\InnerNode $a */
$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>'