PHP-Code zum Parsen von HTML mit DiDOM

Hin und wieder müssen Entwickler Webseiten crawlen, um Informationen von einer Website zu erhalten. Nehmen wir zum Beispiel an, Sie arbeiten an einem persönlichen Projekt, bei dem Sie geografische Informationen über die Hauptstädte verschiedener Länder von Wikipedia erhalten müssen. Die manuelle Eingabe nimmt viel Zeit in Anspruch. Mit Hilfe von PHP können Sie dies jedoch sehr schnell tun, indem Sie Wikipedia-Seiten durchsuchen. Sie können HTML auch automatisch nach bestimmten Informationen analysieren, ohne das gesamte Markup manuell durchsuchen zu müssen.

In diesem Tutorial werfen wir einen Blick auf einen schnellen und benutzerfreundlichen HTML-Parser namens DiDOM. Wir beginnen mit dem Installationsprozess und lernen dann, wie man verschiedene Arten von Selektoren (wie Tags, Klassen usw.) verwendet, um Informationen aus verschiedenen Elementen auf der Webseite zu extrahieren.

Installation und Verwendung

Sie können DiDOM ganz einfach in Ihrem Projektverzeichnis installieren, indem Sie den folgenden Befehl ausführen:

composer require imangazaliev/didom

Nachdem Sie den obigen Befehl ausgeführt haben, können Sie HTML aus einer Zeichenfolge, einer lokalen Datei oder einer Webseite laden. Hier ein Beispiel:

require_once('vendor/autoload.php');

use DiDom\Document;

$document = new Document($washington_dc_html_string);

$document = new Document('washington_dc.html', true);

$url = 'https://en.wikipedia.org/wiki/Washington,_D.C.';
$document = new Document($url, true);

Wenn Sie sich entscheiden, den HTML-Code aus dem Dokument zu analysieren, wurde er möglicherweise bereits geladen und in einer Variablen gespeichert. In diesem Fall übergeben Sie diese Variable einfach an Document() und DiDOM bereitet die zu analysierende Zeichenfolge vor.

Wenn HTML aus einer Datei oder URL geladen werden muss, können Sie es als ersten Parameter an Document() 并将第二个参数设置为 true übergeben und den zweiten Parameter auf true setzen.

Sie können new Document() 创建一个新的 Document 对象。在这种情况下，您可以调用方法 loadHtml() 从字符串加载 HTML，并调用 loadHtmlFile() auch ohne Parameter verwenden, um HTML aus einer Datei oder Webseite zu laden.

HTML-Elemente finden

Bevor Sie HTML oder Text von einem Element abrufen, müssen Sie zunächst das Element selbst finden. Der einfachste Weg besteht darin, die Methode find() zu verwenden und als ersten Parameter den CSS-Selektor des gewünschten Elements zu übergeben.

Sie können den XPath des Elements auch als ersten Parameter der find() 方法的第一个参数传递。但是，这需要您传递 Query::TYPE_XPATH-Methode übergeben. Dazu müssen Sie jedoch Query::TYPE_XPATH als zweiten Parameter übergeben.

Wenn Sie zum Suchen von HTML-Elementen nur XPath-Werte verwenden möchten, können Sie einfach die Methode xpath() verwenden, anstatt Query zu übergeben: :TYPE_XPATH Jedes Mal als zweiter Parameter von xpath() 方法，而不是传递 Query::TYPE_XPATH每次作为 find().

Wenn DiDOM ein Element finden kann, das dem übergebenen CSS-Selektor oder XPATH-Ausdruck entspricht, wird ein Array von DiDomElement Instanzen zurückgegeben. Wenn kein solches Element gefunden wird, wird ein leeres Array zurückgegeben.

Da diese Methoden ein Array zurückgeben, können Sie mit find()[n-1] direkt auf das n-te passende Element zugreifen.

Ein Beispiel

Im folgenden Beispiel erhalten wir den internen HTML-Code aus allen Überschriften der ersten und zweiten Ebene im Wikipedia-Artikel über Washington DC

require_once('vendor/autoload.php');

use DiDom\Document;

$document = new Document('https://en.wikipedia.org/wiki/Washington,_D.C.', true);

$main_heading = $document->find('h1.firstHeading')[0];
echo $main_heading->html();

$sub_headings = $document->find('h2');

foreach($sub_headings as $sub_heading) {
    if($sub_heading->text() !== 'See also') {
        echo $sub_heading->html();
    } else {
        break;
    }
}

Wir beginnen mit der Erstellung eines neuen Document-Objekts, indem wir die URL des Wikipedia-Artikels über Washington, DC übergeben. Danach verwenden wir die find() 方法获取主标题元素并将其存储在名为 $main_heading 的变量内。我们现在可以在此元素上调用不同的方法，例如 text()、innerHtml()、html() -Methode, um das Hauptüberschriftenelement abzurufen und es in einer Variablen namens $main_heading zu speichern. Wir können jetzt verschiedene Methoden für dieses Element aufrufen, wie zum Beispiel

, innerHtml(), html() usw.

html() 方法即可返回整个标题元素的 HTML。同样，我们可以使用 innerHtml() 方法获取特定元素内的 HTML。有时，您会对元素的纯文本内容而不是其 HTML 更感兴趣。在这种情况下，您只需使用 text()Für den Haupttitel müssen wir nur die

-Methode aufrufen.

Überschriften der zweiten Ebene unterteilen unsere Wikipedia-Seiten in klar definierte Abschnitte. Möglicherweise möchten Sie jedoch einige dieser Unterüberschriften entfernen, z. B. „Siehe auch“, „Notizen“ usw.

text()Eine Möglichkeit besteht darin, alle sekundären Überschriften zu durchlaufen und den von der

-Methode zurückgegebenen Wert zu überprüfen. Wenn der zurückgegebene Titeltext „Siehe auch“ lautet, brechen wir aus der Schleife aus.

$document->find('h2')[3] 和 $document- 可以直接到达第四或第六级二级标题>find('h2')[5]Verwenden Sie jeweils

.

Überqueren Sie DOM auf und ab

Sobald Sie Zugriff auf ein bestimmtes Element haben, können Sie mit der Bibliothek den DOM-Baum auf und ab durchqueren, um problemlos auf andere Elemente zuzugreifen.

parent() 方法转到 HTML 元素的父元素。同样，您可以使用 nextSibling() 和 previousSibling()Sie können die

-Methode verwenden, um das nächste oder vorherige Geschwisterelement eines Elements abzurufen. 🎜

还有很多方法可用于访问 DOM 元素的子元素。例如，您可以使用 child(n) 方法获取特定的子元素。同样，您可以使用 firstChild() 和 lastChild() 方法访问特定元素的第一个或最后一个子元素。您可以使用 children() 方法循环遍历特定 DOM 元素的所有子元素。

一旦到达特定元素，您将能够使用 html()、innerHtml() 和text() 方法。

在下面的示例中，我们从二级标题元素开始，并继续检查下一个同级元素是否包含一些文本。一旦我们找到带有一些文本的同级元素，我们就会将其输出到浏览器。

require_once('vendor/autoload.php');

use DiDom\Document;

$document = new Document('https://en.wikipedia.org/wiki/Washington,_D.C.', true);

$sub_headings = $document->find('h2');

for($i = 1; $i < count($sub_headings); $i++) {
    if($sub_headings[$i]->text() !== 'See also') {
        $next_sibling = $sub_headings[$i]->nextSibling();
        while(!$next_elem->html()) {
            $next_sibling = $next_sibling->nextSibling();
        }

        echo $next_elem->html()."<br>";
    } else {
        break;
    }
}

您可以使用类似的技术循环遍历所有同级元素，并且仅在文本包含特定字符串或同级元素是段落标记等时输出文本。一旦您了解了基础知识，找到正确的信息就是简单的。

操作元素属性

在某些情况下，获取或设置不同元素的属性值的能力非常有用。例如，我们可以使用 $image_elem->attr( 'src').以类似的方式，您可以获得文档中所有 a 标记的 href 属性的值。

可以通过三种方法获取 HTML 元素的给定属性的值。您可以使用 getAttribute('attrName') 方法并将您感兴趣的属性名称作为参数传递。您还可以使用 attr('attrName') 方法，其工作方式与 getAttribute() 类似。最后，该库还允许您使用 $elem->attrName 直接获取属性值。这意味着您可以使用 $imageElem->src 直接获取图像元素的 src 属性值。

require_once('vendor/autoload.php');

use DiDom\Document;

$document = new Document('https://en.wikipedia.org/wiki/Washington,_D.C.', true);

$images = $document->find('img');

foreach($images as $image) {
    echo $image->src."<br>";
}

一旦您有权访问src属性，您就可以编写代码来自动下载所有图像文件。这样，您将能够节省大量时间。

您还可以使用三种不同的技术来设置给定属性的值。首先，您可以使用 setAttribute('attrName', 'attrValue') 方法来设置属性值。您还可以使用 attr('attrName', 'attrValue') 方法来设置属性值。最后，您可以使用 $Elem->attrName = 'attrValue' 设置给定元素的属性值。

添加、删除和替换元素

您还可以使用库提供的不同方法对加载的 HTML 文档进行更改。例如，您可以使用 appendChild()、replace() 和 从 DOM 树添加、替换或删除元素">删除() 方法。

该库还允许您创建自己的 HTML 元素，以便将它们附加到原始 HTML 文档中。您可以使用 new Element('tagName', 'tagContent') 创建新的 Element 对象。

请记住，如果您的程序在实例化之前不包含行 use DiDom\Element ，您将收到未捕获错误：未找到“Element”类错误元素对象。

获得该元素后，您可以使用 appendChild() 方法将其附加到 DOM 中的其他元素，也可以使用 replace( ) 方法使用新实例化的元素来替换文档中某些旧的 HTML 元素。下面的例子应该有助于进一步阐明这个概念。

require_once('vendor/autoload.php');

use DiDom\Document;
use DiDom\Element;

$document = new Document('https://en.wikipedia.org/wiki/Washington,_D.C.', true);

// This will result in error.
echo $document->find('h2.test-heading')[0]->html()."\n";

$test_heading = new Element('h2', 'This is test heading.');
$test_heading->class = 'test-heading';

$document->find('h1')[0]->replace($test_heading);

echo $document->find('h2.test-heading')[0]->html()."\n";

最初，我们的文档中没有 test-heading 类的 h2 元素。因此，如果我们尝试访问这样的元素，我们将不断收到错误。

验证不存在这样的元素后，我们创建一个新的h2元素，并将其class属性的值更改为test-heading >.

之后，我们将文档中的第一个 h1 元素替换为新创建的 h2 元素。再次在我们的文档中使用 find() 方法查找带有 test-heading 类的 h2 标题，现在将返回一个元素。

最终想法

本教程介绍了 PHP DiDOM HTML 解析器的基础知识。我们从安装开始，然后学习如何从字符串、文件或 URL 加载 HTML。之后，我们讨论了如何根据 CSS 选择器或 XPath 查找特定元素。我们还学习了如何获取元素的兄弟元素、父元素或子元素。其余部分介绍了如何操作特定元素的属性或在 HTML 文档中添加、删除和替换元素。

如果您希望我在教程中澄清任何内容，请随时在评论中告诉我。

Das obige ist der detaillierte Inhalt vonPHP-Code zum Parsen von HTML mit DiDOM. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!