欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  php教程

PHP使用DomDocument抓取HTML内容

程序员文章站 2024-02-11 11:45:40
...

有时候会有需要从一个HTML页面来分离出你需要的一些数据来进行处理。 当然自己分析文件肯定可以,但是比较快速且方便的是使用正则表达式或者DOM。 鉴于正则表达式我不熟悉,所以我打算使用DOM来完成。 先谈谈我的需求,我要从一个HTML页面的一个表格中提取数

有时候会有需要从一个HTML页面来分离出你需要的一些数据来进行处理。

当然自己分析文件肯定可以,但是比较快速且方便的是使用正则表达式或者DOM。

鉴于正则表达式我不熟悉,所以我打算使用DOM来完成。

先谈谈我的需求,我要从一个HTML页面的一个表格中提取数据并且将这个数据整理出来加入到MySQL数据库中。

假设目标HTML中我感兴趣的Table有3列,分别是ID,Name,内容。

index.php;

loadHTMLFile($urlTarget );
 $htmDoc->normalizeDocument();
//获得到此文档中每一个Table对象;
 $tables_list = $htmDoc->getElementsByTagName('table');
//测试Table Count;
 $tables_count = $tables_list->length;
 foreach ($tables_list as $table)
 {
 //得到Table对象的class属性
 $tableProp = $table->getAttribute('class');
 if ($tableProp == 'target_table_class')
 {
 $contentMgr = new ContentManager();
 $contentMgr->ParseFromDOMElement($table);
//这里myParser就完成了分析动作。然后就可以进行需要的操作了。
 //比如写入MySQL。
 $contentMgr->SerializeToDB();
 }
 }
 ?>


ContentManager.php

ContentList = new ArrayObject();
 }
public function ParseFromDOMElement(DOMElement $table)
 {
 $rows_list = $fundsTable->getElementsByTagName('tr');
 $rows_length = $rows_list->length;
 $index = 0;
foreach ($rows_list as $row)
 {
 $contentInfo = new ContentInfo();
 $contentInfo->ParseFromDOMElement($row);
 $this->ContentList->append ($contentInfo);
 }
//test how many contents parsed.
 $count = $this->fundsInfoArray->count();
 echo $count;
 }
public function SerializeToDB()
 {
 //写入数据库,代码略。
 }
 }
?>

contentinfo.php

getElementsByTagName('td');
        $cells_length = $row->length;
        $curCellIdx = 0;
        foreach ($cells_list as $cell)
        {
            switch ($curCellIdx++)
            {
                case 0:
                    $this->ID = $cell->nodeValue;
                    break;
                case 1:
                    $this->Name = $cell->nodeValue;
                    break;
                case 2:
                    $this->Content = $cell->nodeValue;
                    break;
            }
        }
    }
}
?>

一点小心得,DOM中每个Element都可以getAttribute取出属性,这些属性可以区分你分析的DOMObject。

举例来说,比如上述我分析的Target HTML有很多表格,但是我发现目标表格的class属性和其他表格是不一样的。

所以,这个属性就可以来区分我要分析的是哪个表格。

当然更多DOM的东西,大家可以去参考PHP Manual或者是,用IDE(NetBeans7.0就可以)转到类声明,看类接口。

有方法使用说明以及参数说明。可以参考参考。

转载自:http://blog.csdn.net/xyzhaopeng/article/details/6626340