Para abrir el mes de junio seguimos el hilo en nuestros artículos que buscan difundir el conocimiento libre del Patrimonio Tecnológico de la Humanidad. En anterior oportunidad estudiamos PHP curl, una herramienta basada en cURL y por ende en libcurl (¡ea, esto último no lo mencionamos allá!). Como en ese caso obtuvimos un método para descargar páginas web enteras, incluso si hay que pasarle datos con el método POST y/o hay que introducir usuario y contraseña. Esta entrada busca extraer, analizar e incluso modificar dichos datos ¡vente con nosotros!
https://twitter.com/Obijuan_cube/status/775301739432083456
PHP Simple HTML DOM Parser.
Presentación.
Buscábamos una "parser" o analizador código HTML y aunque PHP tiene su modelo establecido nos decantamos por algo más fácil pero con el inconveniente que debemos apoyar la licencia de uso del Instituto Tecnológico de Massachusetts ("MIT license") y que NO viene integrado al lenguaje PHP. Lo bueno es que apenas son 65037 bytes en un archivo con un guion escrito en lenguaje PHP para que funcione (la licencia nos obliga a distribuir completo los archivos de ejemplos y manuales, todos escritos en idioma inglés).
El analizador de HTML (y XML) que veremos y apernderemos a usar tiene el pomposo nombre de "PHP Simple HTML DOM Parser" con todas las implicaciones que derivan de llamar "simple" al D.O.M. u "Document Objet Model".
Document Objet Model.
El Modelo de Objeto Documento es una norma propuesta por el Consorcio World Wide Web o W3C que son quienes hacen las recomendaciones y sientan las bases, de facto, del Web creado por el Doctor Tim Berners-Lee. En dicho papel de trabajo, a nuestro modo de ver las cosas, se propone que una página web es un documento y todo lo que está contenido en ella está representada por nodos. Si nos ponemos a ver tiene sentido porque la norma HTML5 establece unas sub divisiones que a su vez contienen títulos, sub títulos, párrafos, listas, etc.
Este concepto es mucho más amplio porque contempla, aparte de propiedades, también métodos que por definición HTML5 no contempla y para respetar la neutralidad hacen de la vista gorda del JavaScript (¿definirán algún día al CSS para suplantarlo? Sí, los sabemos, nuestro pensamiento siempre es profano).
El DOM está estructurado sobre tres pilares básicos:
- "Core DOM": modelo normativo para todos los tipos de documentos.
- "XML DOM": para documentos XML.
- "HTML DOM": no menos importante, aunque aparezca en tercer lugar, para documentos HTML.
Autores.
La idea original proviene de José Solorzano quien comenzó un proyecto bautizado como "HTML Parser for PHP 4" (dale con esto de los nombres largos ¿será que estoy leyendo muchos artículos en inglés y me estoy contagiando? Porque el idioma castellano es bastante prolijo...) que como podemos ver funciona con PHP 4 y pues va a ser que ya está descontinuado (incluso tienen un avisito recomendando el proyecto que vemos hoy acá).
Basado en ello S.C. Chen (me578022@gmail.com) programó una versión actualizada y basada en DOM con ayuda de Yousuke Kumakura y publicada en SourceForge, un alojador de contenido de software de código abierto que alberga más de 430.000 proyectos (3,7 millones de usuarios y 42 millones de clientes). Solo sabemos que S.C Chen es famoso a nivel mundial por su ópera prima que trajimos en este momento a colación.
[cc lang="php" tab_size="2" lines="40"]
// some code
// php short tag test
[/cc]
Fuentes consultadas.
En idioma castellano.
En idioma inglés.
- "Document Object Model (DOM)" by W3C.
- "JavaScript HTML DOM" at w3schools.
- "HTML Parsing and Screen Scraping with the Simple HTML DOM Library".
- "HTML Parser for PHP-4" by José Solorzano.
- "PHP Simple HTML DOM Parser".
The post PHP Simple HTML DOM Parser appeared first on KS7000+WP.