PHP使用DomDocument抓取HTML内容

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;

<?php

/*

* To change this template, choose Tools | Templates

* and open the template in the editor.

*/

$urlTarget = "http://www.xxxx.com/targethtmlpage.html";

require_once('ContentManager.php');

//建立Dom对象，分析HTML文件；

$htmDoc = new DOMDocument;

$htmDoc->loadHTMLFile($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

<?php

/*

* To change this template, choose Tools | Templates

* and open the template in the editor.

*/

/**

* Description of ContentParser

*

* @author xxxxx

*/

require_once('ContentInfo.php');

class ContentManager {

//put your code here

var $ContentList;

public function __construct() {

$this->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

<?php

/*

* To change this template, choose Tools | Templates

* and open the template in the editor.

*/

/**

* Description of ContentInfo

*

* @author xxxxx

*/

class ContentInfo {

//put your code here

var $ID;

var $Name;

var $Content;

public function ParseFromDOMElement(DOMElement $row)

{

$cells_list = $row->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

巴特西

PHP使用DomDocument抓取HTML内容

最新文章

热门文章