事情的起源比较简单，我需要把一个导航页的数据整理好写入数据库。一个比较直观的方法是对html文件进行分析，通用的方法是用php的正则表达式来匹配。但是这样做开发和维护都很困难，代码可读性非常差。
导航页的数据都是规则的排列在DOM树当中的，用JS可以用几个循环轻松的对其进行操作，而且JS需要依赖浏览器，操作数据库很困难。其实PHP就有现成的类库对DOM树种的节点进行增删改查操作，在此做一些笔记。
这里涉及到2个类 DOMDocument 和 DOMXPath。
其实思路比较明确，就是通过DOMDocument将一个html file转换成DOM树的数据结构，再用DOMXPath的实例去搜索这个DOM树，拿到想要特定节点，接下来就可以对当前节点的子树进行遍历，得到想要的结果。
在当前目录下有一个这样一个导航的html文件 "./hao.html"
现在需要得到所有<a>标签的中文内容，php代码如下：
<?php
//将html/xml文件转换成DOM树
$dom = new DOMDocument();
$dom->loadHTMLFile("hao.html");
//得到所有class为fix的dl标签
// example 1: for everything with an id
//$elements = $xpath->query("//*[@id]");
// example 2: for node data in a selected id
//$elements = $xpath->query("/html/body/div[@id='yourTagIdHere']");
// example 3: same as above with wildcard
//$elements = $xpath->query("*/div[@id='yourTagIdHere']");
$xpath = new DOMXPath($dom);
$dls = $xpath->query('//dl[@class="fix"]');
foreach ($dls as $dl) {
$spans = $dl->childNodes;
foreach ($spans as $span) {
echo trim($span->textContent)."\t";
}
echo "\n";
}
?>
输出结果如下：
注意：值得注意的一点是DOMDocument的默认编码方式是Latin，所以在处理utf编码的中文的时候，需要在<head>后面紧跟着填入
<meta http-equiv="content-type" content="text/html; charset=utf-8">
在其他位置，或者是只写上<meta content="charset=utf-8">都是不识别的哦
