Code PHP pour analyser le HTML à l'aide de DiDOM

De temps en temps, les développeurs doivent explorer des pages Web pour obtenir des informations à partir d'un site Web. Par exemple, disons que vous travaillez sur un projet personnel dans lequel vous devez obtenir des informations géographiques sur les capitales de différents pays à partir de Wikipédia. La saisie manuelle prend beaucoup de temps. Cependant, vous pouvez le faire très rapidement avec l'aide de PHP en grattant les pages Wikipédia. Vous pouvez également analyser automatiquement le code HTML pour obtenir des informations spécifiques sans avoir à parcourir manuellement l'intégralité du balisage.

Dans ce didacticiel, nous examinerons un analyseur HTML rapide et facile à utiliser appelé DiDOM. Nous commencerons par le processus d'installation, puis apprendrons à utiliser différents types de sélecteurs (tels que des balises, des classes, etc.) pour extraire des informations de différents éléments de la page Web.

Installation et utilisation

Vous pouvez facilement installer DiDOM dans le répertoire de votre projet en exécutant la commande suivante :

composer require imangazaliev/didom

Après avoir exécuté la commande ci-dessus, vous pourrez charger du HTML à partir d'une chaîne, d'un fichier local ou d'une page Web. Voici un exemple :

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);

Lorsque vous décidez d'analyser le HTML du document, il a peut-être déjà été chargé et stocké dans une variable. Dans ce cas, transmettez simplement cette variable à Document() et DiDOM préparera la chaîne à analyser.

Si le HTML doit être chargé à partir d'un fichier ou d'une URL, vous pouvez le transmettre comme premier paramètre à Document() 并将第二个参数设置为 true et définir le deuxième paramètre sur true.

Vous pouvez également utiliser 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() sans aucun paramètre pour charger du HTML à partir d'un fichier ou d'une page Web. < /p>

Trouver des éléments HTML

La première chose à faire avant d'obtenir du HTML ou du texte à partir d'un élément est de trouver l'élément lui-même. Le moyen le plus simple est d'utiliser la méthode find() et de passer le sélecteur CSS de l'élément souhaité comme premier argument.

Vous pouvez également passer le XPath de l'élément comme premier paramètre de la méthode find() 方法的第一个参数传递。但是，这需要您传递 Query::TYPE_XPATH. Cependant, cela nécessite que vous transmettiez Query::TYPE_XPATH comme deuxième paramètre.

Si vous souhaitez uniquement utiliser les valeurs XPath pour rechercher des éléments HTML, vous pouvez simplement utiliser la méthode xpath() au lieu de passer une Query : :TYPE_XPATH Chaque fois comme deuxième paramètre de xpath() 方法，而不是传递 Query::TYPE_XPATH每次作为 find().

Si DiDOM peut trouver un élément correspondant au sélecteur CSS ou à l'expression XPATH transmis, il renverra un tableau de DiDomElement instances. Si aucun élément de ce type n'est trouvé, il renvoie un tableau vide.

Puisque ces méthodes renvoient un tableau, vous pouvez utiliser find()[n-1] pour accéder directement au nième élément correspondant.

Un exemple

Dans l'exemple ci-dessous, nous obtiendrons le HTML interne de tous les en-têtes de premier et deuxième niveaux de l'article Wikipédia sur 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;
    }
}

Nous commençons par créer un nouvel objet Document en transmettant l'URL de l'article Wikipédia sur Washington, DC. Après cela, nous utilisons la méthode 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() pour obtenir l'élément de titre principal et le stocker dans une variable appelée $main_heading. On peut désormais appeler différentes méthodes sur cet élément, comme

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()Pour le titre principal, il suffit d'appeler la méthode

text()Une solution consiste à parcourir tous les en-têtes secondaires et à vérifier la valeur renvoyée par la méthode

$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]Utilisez

parent() 方法转到 HTML 元素的父元素。同样，您可以使用 nextSibling() 和 previousSibling()Vous pouvez utiliser la méthode

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。

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!