3

我正在为一些非常糟糕的 HTML 编写自定义解析器/数据提取器。

更改 HTML 是不可能的。

我不会告诉你我必须跳过的篮球的细节，但我现在已经非常接近我最初的目标了。我正在使用 DOMDocument getElementByName、正则表达式替换（我知道，我知道...）和 XPath 查询的组合。

我需要从文档正文中取出所有文本。我希望导航保持一个单独的实体，至少在摘要中是这样。这就是我现在正在做的事情：

$contentnodes = $xpath->query("//body//*[not(self::a)]/text()|//body//ul/li/a");

foreach ($contentnodes as $contentnode) {    
    $type      = $contentnode->nodeName;
    $content   = $contentnode->nodeValue;

    $output[] = array( $type, $content);
}

这行得通，除了它当然会以不同的方式处理页面上的所有链接，我只希望它对导航这样做。

我可以使用什么 XPath 语法，以便在该查询的第一部分中，在 . 之前，|我告诉它获取除.body ul > li > a

请注意，我不能依赖p标签或h1标签或任何类似的东西来对内容进行有根据的猜测。

谢谢

更新：@hr_117 下面的回答有效。我还发现您可以使用多个not语句，如下所示：

//body//text()[not(parent::a/parent::li/parent::ul)][not(parent::h1)]

4

2 回答 2

2

你可以尝试这样的事情：

//body//text()[not(parent::a/parent::li/parent::ul)]|//body//ul/li/a
于 2013-06-19T17:55:55.730 回答
1 
//body//*[not(self::a/parent::li/parent::ul)]/text()[normalize-space()]|//body//ul/li/a

（测试）

于 2013-06-19T18:12:53.877 回答