php解析类simple_html_dom学习笔记-Article-IT企鹅

php解析类simple_html_dom学习笔记

MrLee2016-8-19 2218

本站的My-Autopost采集器就是利用simple_html_dom解析类完成数据采集的，但是这个插件仅仅只能用于Wordpress，对于其它的cms无用。所以自己学习下，以后做成api的模式，可以适用于更多的cms，博客系统。其实也想过，用C++来实现，而且C++我相对PHP还熟点，但是C++毕竟麻烦，像windows和linux还需要编译多次，而且兼容性相对差点。PHP就不会了，虽然效率低了点。不多说，开始。。。

首先采集到内容
对内容的html进行压缩(去掉多余的空格和换行，方便以后标签通配，不知道simple_html_dom可不可以支持不换行的标签匹配，后面再试)
对div的id或class获取

<?php
require 'simple_html_dom.php';
$name = "leehom";
header ( 'Content-type:text/html;charset=UTF-8' );
// var_dump($GLOBALS);
// echo $GLOBALS['name'];
function test() {
	$str = <<<HTML
<div>
    <div>
        <div class="foo bar">ok</div>
    </div>
</div>
HTML;
	echo str_get_html ( $str );
}
function compress_html($string) {
	$string = str_replace ( "\r\n", '', $string ); // 清除换行符
	$string = str_replace ( "\n", '', $string ); // 清除换行符
	$string = str_replace ( "\t", '', $string ); // 清除制表符
	$pattern = array (
			"/> *([^ ]*) *</", // 去掉注释标记
			"/[\s]+/",
			"/<!--[^!]*-->/",
			"/\" /",
			"/ \"/",
			"'/\*[^*]*\*/'" 
	);
	$replace = array (
			">\\1<",
			" ",
			"",
			"\"",
			"\"",
			"" 
	);
	return preg_replace ( $pattern, $replace, $string );
}
function printValue($value, $tag = '') {
	if (isset ( $value ))
		echo $tag . '>' . $value;
}
function testByCssClass() {
	$html = file_get_html ( "http://www.it72.com/tech" );
	foreach ( ($html->find ( '.c-top h2 a' )) as $div ) {
		// var_dump($div);
		if (isset ( $div->plaintext )) {
			printValue ( $div->plaintext );
		}
		if (isset ( $div->href )) {
			printValue ( $div->href );
		}
		echo '<br/>';
	}
	$html->clear ();
}
function testByCssId() {
	$html = file_get_html ( "http://www.it72.com/tech" );
	foreach ( ($html->find ( '#post-(*) h2 a' )) as $div ) {
		// var_dump($div);
		if (isset ( $div->plaintext )) {
			printValue ( $div->plaintext );
		}
		if (isset ( $div->href )) {
			printValue ( $div->href );
		}
		echo '<br/>';
	}
	$html->clear ();
}
function testByText($start_tag, $end_tag) {
	$html = file_get_html ( "http://www.it72.com/tech" );
	$text = compress_html ( $html->innertext ); // 要先处理一下多余的空格和换行
	$start = strpos ( $text, $start_tag );
	while ( $start > 0 ) {
		$end = strpos ( $text, '</article>', $start );
		if ($end > 0) {
			print_r ( substr ( $text, $start, $end - $start + strlen ( $end_tag ) ) );
			$start = strpos ( $text, $start_tag, $end );
		}
		if ($start <= 0 || $end <= 0)
			break;
	}
	$html->clear ();
}
testByText ( '<article class="post_box mb10">', '</article>' );

以上是测试代码

本文链接:https://www.it72.com/9889.htm