實(shí)從PHP5開(kāi)始，PHP就為我們提供了一個(gè)強(qiáng)大的解析和生成XML相關(guān)操作的類，也就是我們今天要講的 DOMDocument 類。不過(guò)我估計(jì)大部分人在爬取網(wǎng)頁(yè)時(shí)還是會(huì)喜歡用正則去解析網(wǎng)頁(yè)內(nèi)容，學(xué)了今天的這個(gè)類下回就可以嘗試下使用這個(gè)PHP自帶的方式來(lái)進(jìn)行解析分析了。

解析HTML

// 解析 HTML
$baidu = file_get_contents('https://www.baidu.com');

$doc = new DOMDocument();
@$doc->loadHTML($baidu);

// 百度輸出框
$inputSearch = $doc->getElementById('kw');
var_dump($inputSearch);

// object(DOMElement)#2 
//     ....

echo $inputSearch->getAttribute('name'), PHP_EOL; // wd

// 獲取所有圖片的鏈接
$allImageLinks = [];
$imgs = $doc->getElementsByTagName('img');
foreach($imgs as $img){
    $allImageLinks[] = $img->getAttribute('src');
}

print_r($allImageLinks);

// Array
// (
//     [0] => //www.baidu.com/img/baidu_jgylogo3.gif
//     [1] => //www.baidu.com/img/bd_logo.png
//     [2] => http://s1.bdstatic.com/r/www/cache/static/global/img/gs_237f015b.gif
// )

// 利用 parse_url 分析鏈接
foreach($allImageLinks as $link){
    print_r(parse_url($link));
}

// Array
// (
//     [host] => www.baidu.com
//     [path] => /img/baidu_jgylogo3.gif
// )
// Array
// (
//     [host] => www.baidu.com
//     [path] => /img/bd_logo.png
// )
// Array
// (
//     [scheme] => http
//     [host] => s1.bdstatic.com
//     [path] => /r/www/cache/static/global/img/gs_237f015b.gif
// )

是不是感覺(jué)好清晰，好有面向?qū)ο蟮母杏X(jué)。就像第一次使用 ORM庫(kù) 來(lái)進(jìn)行數(shù)據(jù)庫(kù)操作一樣的感覺(jué)。我們一段一段來(lái)看。

$baidu = file_get_contents('https://www.baidu.com');

$doc = new DOMDocument();
@$doc->loadHTML($baidu);

首先是加載文檔內(nèi)容，這個(gè)比較好理解，直接使用 loadHTML() 方法加載 HTML 內(nèi)容。它還提供了其它的幾個(gè)方法，分別是：load() 從一個(gè)文件加載XML；loadXML() 從字符串加載XML；loadHTMLFile() 從文件加載HTML。

// 百度輸出框
$inputSearch = $doc->getElementById('kw');
var_dump($inputSearch);

// object(DOMElement)#2 
//     ....

echo $inputSearch->getAttribute('name'), PHP_EOL; // wd

接下來(lái)我們使用和前端 JS 一樣的 DOM 操作API來(lái)操作HTML里面的元素。這個(gè)例子中就是獲取百度的文本框，直接使用 getElementById() 方法獲得id為指定內(nèi)容的 DOMElement 對(duì)象。然后就可以獲取它的值、屬性之類的內(nèi)容了。

// 獲取所有圖片的鏈接
$allImageLinks = [];
$imgs = $doc->getElementsByTagName('img');
foreach($imgs as $img){
    $allImageLinks[] = $img->getAttribute('src');
}

print_r($allImageLinks);

// Array
// (
//     [0] => //www.baidu.com/img/baidu_jgylogo3.gif
//     [1] => //www.baidu.com/img/bd_logo.png
//     [2] => http://s1.bdstatic.com/r/www/cache/static/global/img/gs_237f015b.gif
// )

// 利用 parse_url 分析鏈接
foreach($allImageLinks as $link){
    print_r(parse_url($link));
}

// Array
// (
//     [host] => www.baidu.com
//     [path] => /img/baidu_jgylogo3.gif
// )
// Array
// (
//     [host] => www.baidu.com
//     [path] => /img/bd_logo.png
// )
// Array
// (
//     [scheme] => http
//     [host] => s1.bdstatic.com
//     [path] => /r/www/cache/static/global/img/gs_237f015b.gif
// )

這一段例子則是獲取HTML文檔中所有的圖片鏈接。相比正則來(lái)說(shuō)，是不是方便很多，而且代碼本身就是自解釋的，不用考慮正則的匹配失效的問(wèn)題。配合另外一個(gè)PHP中自帶的 parse_url() 方法也能非常方便地對(duì)鏈接進(jìn)行分析，提取自己想要的內(nèi)容。

XML的解析和對(duì)HTML的解析也是類似的，都使用 DOMDocument 和 DOMElement 提供的這個(gè)方法接口就可以很方便的進(jìn)行解析了。那么我們想要生成一個(gè)標(biāo)準(zhǔn)格式的XML呢？當(dāng)然也非常的簡(jiǎn)單，不需要再去拼接字符串了，使用這個(gè)類一樣的進(jìn)行對(duì)象化的操作。

生成一個(gè)XML

// 生成一個(gè)XML文檔
$xml = new DOMDocument('1.0', 'UTF-8');

$node1 = $xml->createElement('First', 'This is First Node.');
$node1->setAttribute('type', '1');

$node2 = $xml->createElement('Second');
$node2->setAttribute('type', '2');
$node2_child = $xml->createElement('Second-Child', 'This is Second Node Child.');
$node2->appendChild($node2_child);

$xml->appendChild($node1);
$xml->appendChild($node2);
print $xml->saveXML();

/*
<?xml version="1.0" encoding="UTF-8"?>
<First type="1">This is First Node.</First>
<Second type="2"><Second-Child>This is Second Node Child.</Second-Child></Second>
*/

其實(shí)只要有一點(diǎn)點(diǎn)的前端 JS 的基礎(chǔ)都不難看出這段代碼的含義。使用 createElement() 方法創(chuàng)造 DOMElement 對(duì)象，然后就可以為它添加屬性和內(nèi)容。使用 appendChild() 方法就可以為當(dāng)前的 DOMElement 或者 DOMDocument 添加下級(jí)節(jié)點(diǎn)。最后使用 saveXML() 就能夠生成標(biāo)準(zhǔn)的XML格式內(nèi)容了。

總結(jié)

通過(guò)上面兩個(gè)簡(jiǎn)單的小例子，相信大家已經(jīng)對(duì)這個(gè) DOMDocument 操作XML類文件解析的方式非常感興趣了。不過(guò)相對(duì)于正則解析的方式它們的性能有多大的差異并沒(méi)有找到相關(guān)的測(cè)試，不過(guò)一般正常的情況下網(wǎng)站的HMTL文檔都不會(huì)太大，畢竟各個(gè)網(wǎng)站也會(huì)考慮自身的加載速度，如果文檔非常大的話用戶體驗(yàn)也會(huì)很差，所以這套接口用來(lái)進(jìn)行日常爬蟲(chóng)的分析處理工作基本是沒(méi)有任何問(wèn)題的。

測(cè)試代碼： https://github.com/zhangyue0503/dev-blog/blob/master/php/202002/source/PHP%E4%B8%AD%E4%BD%BF%E7%94%A8DOMDocument%E6%9D%A5%E5%A4%84%E7%90%86HTML%E3%80%81XML%E6%96%87%E6%A1%A3.php

參考文檔： https://www.php.net/manual/zh/class.domdocument.php