在日常的Web开发工作中,我们经常需要处理HTML文档,并从中提取特定信息,比如链接、图片地址等。今天,我就遇到了一个典型的场景,需要从一个复杂的HTML页面中提取所有<a>
标签的href
属性值,以便进行进一步的数据分析或内容聚合。通过这个过程,我发现了PHP DOM解析器的强大之处,它不仅能帮助我们轻松处理HTML文档,还能保证数据的准确性和完整性。
在最近的一个项目中,我负责维护一个内容聚合平台。该平台需要从多个外部网站抓取新闻摘要,并展示给用户。然而,这些外部网站的HTML结构各不相同,有的非常复杂,包含多层嵌套的<div>
和<span>
标签,使得直接通过字符串操作提取<a>
标签的href
变得既繁琐又容易出错。此外,这些网站还经常更新,HTML结构也会随之变化,这进一步增加了维护的难度。
为了高效且稳定地解决这个问题,我决定采用PHP内置的DOM解析器。DOM解析器允许我们将HTML文档加载为一个DOM对象,然后像操作XML文档一样,使用DOM API来遍历和查询文档中的元素。这种方法不仅代码清晰,易于维护,而且能够自动处理HTML文档中的复杂结构,大大提高了数据提取的准确性和效率。
下面是我用来提取HTML中所有<a>
标签href
值的PHP代码示例:
// 创建一个新的DOMDocument实例 $dom = new DOMDocument(); // 加载HTML字符串 @$dom->loadHTML($contents, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD); // 使用@来抑制警告 // 获取所有的<a>标签 $links = $dom->getElementsByTagName('a'); // 遍历所有<a>标签 foreach ($links as $link) { // 提取href属性值 $href = $link->getAttribute('href'); echo $href . PHP_EOL; }
加载HTML内容:通过file_get_contents()
函数或cURL(如果是网络资源)获取HTML内容。这里为了示例方便,我直接使用了字符串模拟。
创建DOMDocument实例:实例化DOMDocument
类,这是处理HTML文档的基础。
加载HTML字符串:使用loadHTML()
方法将HTML字符串加载到DOMDocument对象中。注意,这里使用了@
来抑制可能的警告,但在实际开发中,我们应该处理这些警告,以避免隐藏潜在的问题。
获取<a>
标签:通过getElementsByTagName()
方法获取文档中所有的<a>
标签。这个方法返回一个DOMNodeList
对象,包含了所有匹配的元素。
遍历并提取href:使用foreach
循环遍历DOMNodeList
对象中的每个<a>
标签,并通过getAttribute('href')
方法提取其href
属性值。
处理href:在提取到href
之后,你可以根据需要进行进一步的处理,比如去重、验证URL的有效性、存储到数据库等。
通过使用PHP DOM解析器,我成功地解决了从复杂HTML文档中提取<a>
标签href
值的问题。这种方法不仅提高了数据提取的准确性和效率,还使得代码更加清晰和易于维护。在实际工作中,当遇到类似的需求时,我强烈推荐使用DOM解析器来处理HTML文档。
<!doctype html> <html> <head> <meta charset="utf-8"> <title>demo</title> </head> <bod...
(1).创建数据库test ,创建表shop(字段id,total),商品id是1,商品总数10 (2).PHP模拟购买,商品数量大于0才能购买<?php //连接数据库 $con=mysqli_connect("192.168.2.18...
通过经纬度转换为城市名称,并获得城市的编号,通常在全国类型的商城中比较通用。//经纬度转城市名称(返回城市id,城市名称) //$ak开发密钥,$lat纬度,$lng经度,$type返回数据类型 public function getCityName($ak,$lat,$lng)...
本篇文章不是讲解如何用.net开发自己的dll然后PHP通过com调用。主要记录PHP官方支持的DOTNET 基本语法如下:$obj = new DOTNET("assembly", "classname")a...
先在centos安装openssl,然后开始://生成私钥openssl genrsa -out rsa_private_key.pem 1024//生成公钥openssl rsa -in rsa_private_key.pem&...
001源码:/* * $xml_str是xml字符串 */ function xmltoarray($xml_str) { //禁止XML实体扩展攻击 libxml_disable_entity_loader(true); //拒绝包含...