Parsear HTML utilizando la librería PHP Simple HTML DOM

7 de agosto de 20103 min de lectura
Vamos a ver una librería que nos puede ser de gran utilidad si necesitamos parsear código HTML. Para ello haremos uso de la librería PHP Simple HTML DOM.

Lo primero que hacemos es hacer la descarga de la librería desde este enlace

Una vez que la tenemos descargada, tenemos que incluirla en nuestro desarrollo como hacemos con cualquier otra librería que utilicemos.

Para hacer la del código HTML se puede hacer de varias formas, dependiendo de si es una cadena o bien un fichero. Si es una cadena utilizaremos la función “load”, mientras que si es un fichero la función a utilizar será “load_file”. Veamos un ejemplo:

//creamos el objeto de la clase
$html = new simple_html_dom();

// Load from a string
$html->load('<html><body><p>Hello World!</p><p>We're here</p></body></html>');

// Load a file
$html->load_file('http://net.tutsplus.com/');

Hay que indicar que si en tu configuración del servidor, la directiva “allow_url_fopen” no está a true, entonces no podrás utilizar la carga de archivos externos ya que hace uso de la función de PHP “file_get_contents”.

Una vez que tu crear el objeto, ya puedes empezar a trabajar con la información. Puedes utilizar el método “find” y crear colecciones. Una colección es un grupo de objetos que han sido localizados bajo un mismo selector, por ejemplo la etiqueta “p”.

Supongamos que tenemos el siguiente código HTML.

<html>
<body>
    <p>Hello World!</p>
    <p>We're Here.</p>
</body>
</html>

Si queremos añadir al segundo texto algo de información, se podría hacer de la siguiente forma.

# create and load the HTML
include('simple_html_dom.php');
$html = new simple_html_dom();
$html->load("<html><body><p>Hello World!</p><p>We're here</p></body></html>");

# get an element representing the second paragraph
$element = $html->find("p");

# modify it
$element[1]->innertext .= " and we're here to stay.";

# output it!
echo $html->save();

En el ejemplo buscamos todos los elementos “p” del documento con el método find(), lo que nos devuelve un array con todos los elementos encontrados.

Luego con la propiedad innertext de los objetos encontrados podremos añadir o modificar la información.

Por último se guarda la información con el método save().

Otra cosa que nos permite hacer la librería es poder modificar la clase que tenga asignada. Si en el ejemplo anterior queremos añadirle al segundo párrafo la clase “class_name”, se haría de la siguiente forma.

$element[1]->class = "class_name";
echo $html->save();

El resultado final será el siguiente:

<html>
<body>
    <p>Hello World!</p>
    <p class="class_name">We're here and we're here to stay.</p>
</body>
</html>

Otros selectores que podemos utilizar son los siguientes.

# consigue la primera aparición del id="foo"
$single = $html->find('#foo', 0);

# obtiene los elementos de la clase="foo"
$collection = $html->find('.foo');

# obtiene todos los elementos de tipo a de la página
$collection = $html->find('a');

# obtiene los elementos a que están dentro de h1
$collection = $html->find('h1 a');

# obtiene todas las imágenes con titulo  'himom'
$collection = $html->find('img[title=himom]');

Vía: Sitio oficial

Sigue leyendo