萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網路程式設計 >> PHP 程式設計

PHP 服務端 DOM 解析替代 JavaScript:DOMDocument + DOMXPath 實戰

應用場景

需從靜態導航頁(hao.html)提取結構化數據入庫。JS 需瀏覽器環境且難持久化;PHP 服務端解析無需瀏覽器,可直接入庫、定時任務跑批。

核心類:DOMDocument + DOMXPath

<?php
// 1. 載入 HTML 文件構建 DOM 樹
$dom = new DOMDocument();
libxml_use_internal_errors(true); // 抑制 HTML5 非標準標籤警告
$dom->loadHTMLFile('hao.html');
libxml_clear_errors();

// 2. 創建 XPath 查詢器
$xpath = new DOMXPath($dom);

// 3. 定位目標節點:所有 class="fix" 的 
標籤 $dls = $xpath->query('//dl[@class="fix"]'); // 4. 遍歷提取文本內容 foreach ($dls as $dl) { foreach ($dl->childNodes as $node) { // 過濾文本節點與元素節點 if ($node->nodeType === XML_TEXT_NODE) { $text = trim($node->textContent); if ($text) echo "$text\t"; } elseif ($node->nodeType === XML_ELEMENT_NODE) { echo trim($node->textContent) . "\t"; } } echo "\n"; }

XPath 常用查詢模式

的第 3 個
需求XPath 表達式
所有帶 id 屬性的元素//*[@id]
特定 id 的 div 內文本/html/body/div[@id='myId']//text()
任意深度下 id=myId 的 div//div[@id='myId']
class 包含 "item" 的 li//li[contains(@class, 'item')]
第 2 個
//table/tr[2]/td[3]

中文編碼關鍵設置

DOMDocument 默認編碼為 Latin1,處理 UTF-8 中文**必須**在載入前聲明:

$dom = new DOMDocument('1.0', 'UTF-8'); // 構造函數指定
// 或
$dom->loadHTML('' . $html); // 字符串載入時前置聲明

否則中文會被誤解析為亂碼或實體編碼。

優缺點對比

維度PHP DOM正則表達式JavaScript (瀏覽器)
結構化查詢✅ XPath 強大❌ 易錯、難維護✅ 原生 DOM API
運行環境服務端 CLI/FPM服務端瀏覽器/Node.js
性能中等(需構建完整樹)快(單行)快(原生)
容錯性libxml 自動修補極差瀏覽器極強

生產建議

  • 大文件(>10MB)考慮 XMLReader 流式解析,內存常數級。
  • 配合 libxml_use_internal_errors 靜默 HTML 解析警告。
  • 提取屬性用 $node->getAttribute('href'),比解析 textContent 可靠。
copyright © 萬盛學電腦網 all rights reserved