php使用自带dom扩展进行元素匹配的原理解析
DOMDocument
php提供了非常好用的解析html和xml文档的扩展库DOM,使用这个库可以非常高效的进行html和xml文档的解析,它的原理就是通过寻找首尾匹配对来进行文档的解析。
从上面的分析可以看出,如果首位不匹配,可能就会导致一些错误的出现,因此,这个时候我们需要设置
libxml_use_internal_errors(true);
来进行错误的屏蔽,让它可以解析整个文档。
解析html基本用法
$dom = new \DOMDocument; $content = htmlspecialchars_decode($content); libxml_use_internal_errors(true); $content = mb_convert_encoding($content, 'HTML-ENTITIES', 'UTF-8'); $dom->loadHTML($content);
$content是要解析的html字符串,其中我们对它进行了转义,因为可能含有实体集,然后我们有进行了编码的转换,因为可能文档不是utf-8格式的,会导致日文,法文等文字乱码。
获取元素
$a = $dom->getElementsByTagName('a'); $p = $dom->getElementsByTagName('p');
遍历元素
$elements = $dom->getElementsByTagName('a'); foreach ($elements as $element) { $element->textContent = '替换成其它的文字'; }
通过上面的循环,可以将全部a标签的文字替换掉。
元素嵌套
有些时候,html会嵌套很多层,比如
<div> <p> <a href="xxx" rel="external nofollow" >我是文字</a> </p> <p> 内容替换 </p> </div>
如果我们想要对p标签文字进行替换的化,并且不想要替换含有子元素的内容,就是这里的a标签不想替换,下面的语句不能够解决我们的问题:
$elements = $dom->getElementsByTagName('p'); foreach ($elements as $element) { if($element->hasChildNodes()){ $element->textContent = 'p标签内容替换'; } }
上面的代会将a标签的内容也替换掉,这不是我们想要的结果,因为hasChildNodes()这个函数表示的含有内容,无论它是标签还是文字,它都是返回true的,除非它是空标签,例如
它才会返回false.
所以我们需要自己封装一个函数进行检查是否含有嵌套标签。
function hasChild($element, $tags) { foreach($tags as $v){ $elements = $element->getElementsByTagName($v); if($elements->length){ return true; } } return false; } $tags = array('title','h1','h2','h3','h4','h5','a','p','dd','img'); $elements = $dom->getElementsByTagName('p'); foreach ($elements as $element) { if(hasChild($element, $tags)){ $element->textContent = 'p标签内容替换'; } }
通过我们自己封装的函数,就可以判断出$dom的node节点是否含有子标签。
总结