`Dom\HTMLDocument` în PHP

Citește HTML5 corect (ca un browser) și caută elemente cu selectori CSS: querySelector și querySelectorAll.

Sintaxă

Dom\HTMLDocument::createFromString(string $source, int $options = 0, ?string $overrideEncoding = null): Dom\HTMLDocument
Dom\HTMLDocument::createFromFile(string $path, int $options = 0, ?string $overrideEncoding = null): Dom\HTMLDocument

Ce face `Dom\HTMLDocument`

Vechea clasă DOMDocument folosea un parser HTML 4, care nu înțelege corect etichetele HTML5 și strică textul UTF-8 fără declarație de codare. Dom\HTMLDocument, din PHP 8.4, folosește un parser conform standardului HTML5 (biblioteca Lexbor), deci citește pagina la fel ca un browser.

Clasa are metodele cunoscute din JavaScript: querySelector() și querySelectorAll() cu selectori CSS, textContent, getAttribute(). saveHtml() scrie documentul înapoi ca HTML.

Pentru a ascunde mesajele parserului despre HTML incorect, transmite opțiunea LIBXML_NOERROR.

Parametri

Parametru	Descriere
`$source / $path`	Codul HTML, respectiv calea fișierului HTML.
`$options`	Opțiuni libxml, de exemplu `LIBXML_NOERROR`.
`$overrideEncoding`	Opțional. Codarea folosită dacă documentul nu o declară corect.

Ce returnează

Un obiect Dom\HTMLDocument.

Exemple

Exemplul 1: Extragerea prețurilor cu selectori CSS

<?php
$html = <<<HTML
<ul id="produse">
  <li class="produs"><span class="nume">Pâine</span> <span class="pret">5,50 lei</span></li>
  <li class="produs"><span class="nume">Lapte</span> <span class="pret">7,20 lei</span></li>
</ul>
HTML;

$doc = Dom\HTMLDocument::createFromString($html, LIBXML_NOERROR);

foreach ($doc->querySelectorAll("#produse .produs") as $li) {
    $nume = $li->querySelector(".nume")->textContent;
    $pret = $li->querySelector(".pret")->textContent;
    echo "$nume: $pret\n";
}

Rezultat

Pâine: 5,50 lei
Lapte: 7,20 lei

Exemplul 2: HTML incomplet, completat ca în browser

<?php
$doc = Dom\HTMLDocument::createFromString('<p class="nota">Salut, <b>Ana</b><p>Al doilea paragraf', LIBXML_NOERROR);

echo count($doc->querySelectorAll("p")) . " paragrafe\n";
echo $doc->querySelector("p.nota b")->textContent . "\n";
echo $doc->saveHtml();