有时候会有需要从一个HTML页面来分离出你需要的一些数据来进行处理。
当然自己分析文件肯定可以，但是比较快速且方便的是使用正则表达式或者DOM。
鉴于正则表达式我不熟悉，所以我打算使用DOM来完成。
先谈谈我的需求，我要从一个HTML页面的一个表格中提取数据并且将这个数据整理出来加入到MySQL数据库中。
假设目标HTML中我感兴趣的Table有3列，分别是ID，Name，内容。
index.php;
<?php/* * To change this template, choose Tools | Templates
* and open the template in the editor.
*/
require_once('ContentManager.php');
//建立Dom对象，分析HTML文件； $htmDoc = new DOMDocument;
$htmDoc->loadHTMLFile($urlTarget );
$htmDoc->normalizeDocument();
//获得到此文档中每一个Table对象； $tables_list = $htmDoc->getElementsByTagName('table');
//测试Table Count； $tables_count = $tables_list->length;
foreach ($tables_list as $table)
{
//得到Table对象的class属性
$tableProp = $table->getAttribute('class');
if ($tableProp == 'target_table_class')
{
$contentMgr = new ContentManager();
$contentMgr->ParseFromDOMElement($table);
//这里myParser就完成了分析动作。然后就可以进行需要的操作了。 //比如写入MySQL。
$contentMgr->SerializeToDB();
}
}
?>
|
ContentManager.php
<?php/* * To change this template, choose Tools | Templates
* and open the template in the editor.
*/
/** * Description of ContentParser
*
* @author xxxxx
*/
require_once('ContentInfo.php');
class ContentManager {
//put your code here
var $ContentList;
public function __construct() {
$this->ContentList = new ArrayObject();
}
public function ParseFromDOMElement(DOMElement $table)
{
$rows_list = $fundsTable->getElementsByTagName('tr');
$rows_length = $rows_list->length;
$index = 0;
foreach ($rows_list as $row)
{
$contentInfo = new ContentInfo();
$contentInfo->ParseFromDOMElement($row);
$this->ContentList->append ($contentInfo);
}
//test how many contents parsed. $count = $this->fundsInfoArray->count();
echo $count;
}
public function SerializeToDB()
{
//写入数据库，代码略。
}
}
?> |
contentinfo.php
<?php/* * To change this template, choose Tools | Templates
* and open the template in the editor.
*/
/** * Description of ContentInfo
*
* @author xxxxx
*/
class ContentInfo {
//put your code here
var $ID;
var $Name;
var $Content;
public function ParseFromDOMElement(DOMElement $row)
{
$cells_list = $row->getElementsByTagName('td');
$cells_length = $row->length;
$curCellIdx = 0;
foreach ($cells_list as $cell)
{
switch ($curCellIdx++)
{
case 0:
$this->ID = $cell->nodeValue;
break;
case 1:
$this->Name = $cell->nodeValue;
break;
case 2:
$this->Content = $cell->nodeValue;
break;
}
}
}
}?> |
一点小心得，DOM中每个Element都可以getAttribute取出属性，这些属性可以区分你分析的DOMObject。
举例来说，比如上述我分析的Target HTML有很多表格，但是我发现目标表格的class属性和其他表格是不一样的。
所以，这个属性就可以来区分我要分析的是哪个表格。
当然更多DOM的东西，大家可以去参考PHP Manual或者是，用IDE（NetBeans7.0就可以）转到类声明，看类接口。
有方法使用说明以及参数说明。可以参考参考。