下載地址：https://github.com/samacs/simple_html_dom
使用手冊：http://www.phpddt.com/manual/simplehtmldom_1_5/manual.htm
一直以來使用php解析html文檔樹都是一個難題。Simple HTML DOM parser 幫我們很好地解決了這個問題。可以通過這個php類來解析html文檔，對其中的html元素進行操作 (PHP5+以上版本)。
解析器不僅僅只是幫助我們驗證html文檔；更能解析不符合W3C標准的html文檔。它使用了類似jQuery的元素選擇器，通過元素的id，class，tag等等來查找定位；同時還提供添加、刪除、修改文檔樹的功能。當然，這樣一款強大的html Dom解析器也不是盡善盡美；在使用的過程中需要十分小心內存消耗的情況。不過，不要擔心；本文中，筆者在最后會為各位介紹如何避免消耗過多的內存。
開始使用
上傳類文件以后，有三種方式調用這個類：
從url中加載html文檔
從字符串中加載html文檔
從文件中加載html文檔
<?php // 新建一個Dom實例 $html = new simple_html_dom(); // 從url中加載 $html->load_file('http://www.cnphp.info/php-simple-html-dom-parser-intro.html'); // 從字符串中加載 $html->load('<html><body>從字符串中加載html文檔演示</body></html>'); //從文件中加載 $html->load_file('path/file/test.html'); ?>
如果從字符串加載html文檔，需要先從網絡上下載。建議使用cURL來抓取html文檔並加載DOM中。
查找html元素
可以使用find函數來查找html文檔中的元素。返回的結果是一個包含了對象的數組。我們使用HTML DOM解析類中的函數來訪問這些對象，下面給出幾個示例：
<?php //查找html文檔中的超鏈接元素 $a = $html->find('a'); //查找文檔中第(N)個超鏈接，如果沒有找到則返回空數組. $a = $html->find('a', 0); // 查找id為main的div元素 $main = $html->find('div[id=main]',0); // 查找所有包含有id屬性的div元素 $divs = $html->find('div[id]'); // 查找所有包含有id屬性的元素 $divs = $html->find('[id]'); ?>
還可以使用類似jQuery的選擇器來查找定位元素：
<?php // 查找id='#container'的元素 $ret = $html->find('#container'); // 找到所有class=foo的元素 $ret = $html->find('.foo'); // 查找多個html標簽 $ret = $html->find('a, img'); // 還可以這樣用 $ret = $html->find('a[title], img[title]'); ?>
解析器支持對子元素的查找
<?php // 查找 ul列表中所有的li項 $ret = $html->find('ul li'); //查找 ul 列表指定class=selected的li項 $ret = $html->find('ul li.selected'); ?>
如果你覺得這樣用起來麻煩，使用內置函數可以輕松定位元素的父元素、子元素與相鄰元素
<?php // 返回父元素 $e->parent; // 返回子元素數組 $e->children; // 通過索引號返回指定子元素 $e->children(0); // 返回第一個資源速 $e->first_child (); // 返回最后一個子元素 $e->last _child (); // 返回上一個相鄰元素 $e->prev_sibling (); //返回下一個相鄰元素 $e->next_sibling (); ?>
元素屬性操作
使用簡單的正則表達式來操作屬性選擇器。
[attribute] – 選擇包含某屬性的html元素
[attribute=value] – 選擇所有指定值屬性的html元素
[attribute!=value]- 選擇所有非指定值屬性的html元素
[attribute^=value] -選擇所有指定值開頭屬性的html元素
[attribute$=value] 選擇所有指定值結尾屬性的html元素
[attribute*=value] -選擇所有包含指定值屬性的html元素
在解析器中調用元素屬性
在DOM中元素屬性也是對象：
<?php // 本例中將$a的錨鏈接值賦給$link變量 $link = $a->href; ?>
或者：
<?php $link = $html->find('a',0)->href; ?
每個對象都有4個基本對象屬性:
tag – 返回html標簽名
innertext – 返回innerHTML
outertext – 返回outerHTML
plaintext – 返回html標簽中的文本
在解析器中編輯元素
編輯元素屬性的用法和調用它們是類似的：
<?php //給$a的錨鏈接賦新值 $a->href = 'http://www.cnphp.info'; // 刪除錨鏈接 $a->href = null; // 檢測是否存在錨鏈接 if(isset($a->href)) { //代碼 } ?>
解析器中沒有專門的方法來添加、刪除元素，不過可以變通一下使用：
<?php // 封裝元素 $e->outertext = '<div class="wrap">' . $e->outertext . '<div>'; // 刪除元素 $e->outertext = ''; // 添加元素 $e->outertext = $e->outertext . '<div>foo<div>'; // 插入元素 $e->outertext = '<div>foo<div>' . $e->outertext; ?
保存修改后的html DOM文檔也非常簡單：
<?php $doc = $html; // 輸出 echo $doc; ?>
如何避免解析器消耗過多內存
在本文的開篇中，筆者就提到了Simple HTML DOM解析器消耗內存過多的問題。如果php腳本占用內存太多，會導致網站停止響應等一系列嚴重的問題。解決的方法也很簡單，在解析器加載html文檔並使用完成后，記得清理掉這個對象就可以了。當然，也不要把問題看得太嚴重了。如果只是加載了2、3個文檔，清理或不清理是沒有多大區別的。當你加載了5個10個甚至更多的文檔的時候，用完一個就清理一下內存絕對是對自己負責啦^_^
<?php $html->clear(); ?>
原文參考：http://www.cnphp.info/php-simple-html-dom-parser-intro.html
推薦一個自己業余時間開發的網盤搜索引擎，360盤搜（www.360panso.com）