0

好的，所以我正在尝试使用 curl 和 xpath 解析 xhtml 站点。

该站点有多个命名空间：

<html xmlns="http://www.w3.org/1999/xhtml" xmlns:addthis="http://www.addthis.com/help/api-spec"     xmlns:og="http://ogp.me/ns#" xmlns:fb="http://www.facebook.com/2008/fbml">

我正在尝试从网站的分页中获取所有网址，如下所示：

$url = [site_im_parsing];

$dom = new DOMDocument();
@$dom->loadHTML($url);  
$xpath = new Domxpath($dom);

$xpath->registerNamespace("x", "http://www.w3.org/1999/xhtml");

$pages = $xpath->query('//x:div[2]/x:table/x:tbody/x:tr/x:td[1]/x:a');

for ($i = 0; $i < $pages->length; $i++) {

    echo $pages->item($i)->getAttribute('href');

}

这行不通。（没有 x-namespace 的分页的 xpath 应该是正确的）。我应该注册所有命名空间并在 xpath 查询中以某种方式使用它们吗？

最好的问候， AB

// 问题更新 //

这是我要解析的页面的一部分：（我想要href）

<div class="pager">
    <table style="width:100%" border="0" cellspacing="0" cellpadding="0">
        <tbody>
            <tr>
                <td>
                    <span class="current">1</span>  | 
                    <a href="http://www.somewebsite.com/catalog?on_offer=1&amp;commodity_offset=1">2</a> | 
                    <a href="http://www.somewebsite.com/catalog?on_offer=1&amp;commodity_offset=2">3</a> | 
                    <a href="http://www.somewebsite.com/catalog?on_offer=1&amp;commodity_offset=3">4</a> | 
                    <a href="http://www.somewebsite.com/catalog?on_offer=1&amp;commodity_offset=4">5</a> | 
                    <a href="http://www.somewebsite.com/catalog?on_offer=1&amp;commodity_offset=5">6</a> | 
                    <a href="http://www.somewebsite.com/catalog?on_offer=1&amp;commodity_offset=6">7</a>        
                </td>
                <td style="text-align:right">
                    <a href="http://www.somewebsite.com/catalog?on_offer=1&amp;commodity_offset=1">Next</a>
                </td>
            </tr>
        </tbody>
    </table>
</div>

文档类型是：

html PUBLIC "-//W3C//DTD XHTML 1.0 过渡//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"

如果这有什么不同...

4

2 回答 2

0

我loadHTML希望任何命名空间都被忽略，所以尽量不要使用registerNamespace，然后使用$xpath->query('//div[2]/table/tbody/tr/td[1]/a');. 作为 XML 的替代解析，使用命名空间是有意义的。

于 2012-07-16T09:34:53.387 回答
0

好吧，我想通了...

当文档中不存在时，浏览器将插入一个隐式标记 < tbody >。xpath 只会处理原始 HTML 字符串中存在的标签，所以我只是省略了 < tbody > 标签。

旧的 xpath 查询：

$xpath->query('//div[2]/table/tbody/tr/td[1]/a');

新的：

$xpath->query('//div[2]/table/tr/td[1]/a');
于 2012-07-17T17:45:56.890 回答