事情的起源比較簡單，我需要把一個導(dǎo)航頁的數(shù)據(jù)整理好寫入數(shù)據(jù)庫。一個比較直觀的方法是對html文件進(jìn)行分析，通用的方法是用php的正則表達(dá)式來匹配。但是這樣做開發(fā)和維護(hù)都很困難，代碼可讀性非常差。
導(dǎo)航頁的數(shù)據(jù)都是規(guī)則的排列在dom樹當(dāng)中的，用js可以用幾個循環(huán)輕松的對其進(jìn)行操作，而且js需要依賴瀏覽器，操作數(shù)據(jù)庫很困難。其實(shí)php就有現(xiàn)成的類庫對dom樹種的節(jié)點(diǎn)進(jìn)行增刪改查操作，在此做一些筆記。
這里涉及到2個類 domdocument 和 domxpath。
其實(shí)思路比較明確，就是通過domdocument將一個html file轉(zhuǎn)換成dom樹的數(shù)據(jù)結(jié)構(gòu)，再用domxpath的實(shí)例去搜索這個dom樹，拿到想要特定節(jié)點(diǎn)，接下來就可以對當(dāng)前節(jié)點(diǎn)的子樹進(jìn)行遍歷，得到想要的結(jié)果。
在當(dāng)前目錄下有一個這樣一個導(dǎo)航的html文件 ./hao.html
現(xiàn)在需要得到所有<a>標(biāo)簽的中文內(nèi)容，php代碼如下：
代碼如下:
<?php
//將html/xml文件轉(zhuǎn)換成dom樹
$dom = new domdocument();
$dom->loadhtmlfile(hao.html);
//得到所有class為fix的dl標(biāo)簽
// example 1: for everything with an id
//$elements = $xpath->query(//*[@id]);
// example 2: for node data in a selected id
//$elements = $xpath->query(/html/body/div[@id='yourtagidhere']);
// example 3: same as above with wildcard
//$elements = $xpath->query(*/div[@id='yourtagidhere']);
$xpath = new domxpath($dom);
$dls = $xpath->query('//dl[@class=fix]');
foreach ($dls as $dl) {
$spans = $dl->childnodes;
foreach ($spans as $span) {
echo trim($span->textcontent).\t;
}
echo \n;
}
?>
輸出結(jié)果如下：
注意：值得注意的一點(diǎn)是domdocument的默認(rèn)編碼方式是latin，所以在處理utf編碼的中文的時候，需要在<head>后面緊跟著填入
代碼如下:
<meta http-equiv=content-type content=text/html; charset=utf-8>
在其他位置，或者是只寫上<meta content=charset=utf-8>都是不識別的哦
更多信息請查看IT技術(shù)專欄
公眾號
事業(yè)單位
當(dāng)前位置：
公考類
招聘類
各類考試