DiDOM を使用して HTML を解析するための PHP コード

開発者は、Web ページをクロールして Web サイトから情報を取得する必要がある場合があります。たとえば、Wikipedia からさまざまな国の首都に関する地理情報を取得する必要がある個人プロジェクトに取り組んでいるとします。手入力だとかなり時間がかかります。ただし、PHP を使用して Wikipedia ページをスクレイピングすることで、これを非常に迅速に行うことができます。また、マークアップ全体を手動で参照することなく、HTML を自動的に解析して特定の情報を取得することもできます。

このチュートリアルでは、DiDOM と呼ばれる高速で使いやすい HTML パーサーを見ていきます。まずインストールプロセスから始めて、さまざまなタイプのセレクター (タグ、クラスなど) を使用して Web ページ上のさまざまな要素から情報を抽出する方法を学びます。

インストールと使用方法

次のコマンドを実行すると、プロジェクト ディレクトリに DiDOM を簡単にインストールできます:

リーリー

上記のコマンドを実行すると、文字列、ローカル ファイル、または Web ページから HTML をロードできるようになります。以下に例を示します:

リーリー

ドキュメントから HTML を解析することにしたとき、HTML はすでにロードされ、変数に保存されている可能性があります。この場合、その変数を Document() に渡すだけで、DiDOM が解析する文字列を準備します。

HTML をファイルまたは URL からロードする必要がある場合は、それを最初の引数として Document() に渡し、2 番目の引数を true に設定します。

パラメータを指定せずに new Document() を使用して、新しい Document オブジェクトを作成することもできます。この場合、メソッド loadHtml() を呼び出して文字列から HTML をロードし、loadHtmlFile() を呼び出してファイルまたは Web ページから HTML をロードできます。

HTML要素の検索

要素から HTML またはテキストを取得する前に最初に行うことは、要素自体を見つけることです。最も簡単な方法は、find() メソッドを使用し、目的の要素の CSS セレクターを最初の引数として渡すことです。

要素の XPath を最初の引数として find() メソッドに渡すこともできます。ただし、これには Query::TYPE_XPATH を 2 番目のパラメータとして渡す必要があります。

XPath 値を使用して HTML 要素を検索したい場合は、毎回 Query::TYPE_XPATH を # として渡す代わりに、単純に xpath() メソッドを使用できます。 ## find() の 2 番目のパラメータ。

DiDOM は、渡された CSS セレクターまたは XPATH 式に一致する要素を見つけることができた場合、

DiDom\Element インスタンスの配列を返します。そのような要素が見つからない場合は、空の配列を返します。

これらのメソッドは配列を返すため、

find()[n-1] を使用して、n 番目に一致する要素に直接アクセスできます。

一例

以下の例では、ワシントン DC に関する Wikipedia の記事の第 1 レベルと第 2 レベルの見出しすべてから内部 HTML を取得します。 リーリー

最初に、ワシントン DC に関する Wikipedia 記事の URL を渡して、新しい Document オブジェクトを作成します。その後、

find()

メソッドを使用してメインの見出し要素を取得し、それを $main_Heading という名前の変数内に保存します。この要素で、text()、innerHtml()、html() etc などのさまざまなメソッドを呼び出すことができるようになりました。 メイン タイトルの場合は、単純に

html()

メソッドを呼び出して、タイトル要素全体の HTML を返します。同様に、innerHtml() メソッドを使用して、特定の要素内の HTML を取得できます。場合によっては、要素の HTML よりもプレーン テキスト コンテンツに興味がある場合があります。この場合、text() メソッドを使用するだけです。 副見出しは、Wikipedia ページを明確に定義されたセクションに分割します。ただし、「関連項目」や「メモ」などの小見出しの一部を削除することもできます。

1 つの方法は、すべての二次見出しをループし、

text()

メソッドによって返される値を確認することです。返されたタイトル テキストが「関連項目」の場合、ループから抜け出します。 #$document->find('h2')[3]

と

$document- を使用して、第 4 レベルまたは第 6 レベルの二次タイトル>find('h2' )[5 ]＃＃＃ それぞれ。 DOM を上下にトラバースする 特定の要素にアクセスできるようになると、ライブラリを使用して DOM ツリーを上下に移動して、他の要素に簡単にアクセスできるようになります。

parent()

メソッドを使用すると、HTML 要素の親要素に移動できます。同様に、

nextSibling()

メソッドと previousSibling() メソッドを使用して、要素の次または前の兄弟を取得できます。 <p>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 <code class="inline">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。

以上がDiDOM を使用して HTML を解析するための PHP コードの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。