5

我昨天问了这个问题,当时这正是我所需要的,但是在处理一些实时数据时,我发现这并没有达到我的预期。使用 PHP 的 HTML DOMDocument 解析 HTML

它从 HTML 页面获取数据,但随后它还去除了捕获的文本块内的所有 HTML 标记,这不是我想要的。(我可能不想去掉一些标签,但不是全部,这可以稍后完成)

4

2 回答 2

9

这是 DOM 的一个常见问题:如果要获取标签的内容及其所有子标签的内容,则必须做更多的工作。

基本上,您必须遍历与 XPath 查询匹配的子节点,以获取它们的内容。

DOMElement在课程手册页上的用户注释中提出了一个解决方案- 请参阅此注释


将此解决方案集成到您已经拥有的代码中应该为您提供类似于 HTML 字符串声明的内容,带有子标签:

$html = <<<HTML
<div class="main">
    <div class="text">
        <p>
            Capture this <strong>text</strong> <em>1</em>
        </p>
        <p>
            And some other <strong>text</strong>
        </p>
    </div>
</div>
HTML;


而且,要从该 HTML 字符串中提取数据,您可以使用类似的方法:

$dom = new DOMDocument();
$dom->loadHTML($html);

$xpath = new DOMXPath($dom);

$tags = $xpath->query('//div[@class="main"]/div[@class="text"]');
foreach ($tags as $tag) {
    $innerHTML = '';

    // see http://fr.php.net/manual/en/class.domelement.php#86803
    $children = $tag->childNodes;
    foreach ($children as $child) {
        $tmp_doc = new DOMDocument();
        $tmp_doc->appendChild($tmp_doc->importNode($child,true));       
        $innerHTML .= $tmp_doc->saveHTML();
    }

    var_dump(trim($innerHTML));
}

唯一改变的是循环的内容:您必须迭代子元素,foreach而不仅仅是使用。$tag->nodeValue


这给了我以下输出:

string '<p>
            Capture this <strong>text</strong> <em>1</em>
        </p>


<p>
            And some other <strong>text</strong>
        </p>' (length=150)

这是匹配的标签的全部内容<div>,以及它的所有子项——包括标签。


注意:手册的用户注释中经常有有趣的想法和解决方案;-)

于 2010-04-04T14:16:50.093 回答
3

Pascal MARTIN 的回答很棒,但我发现它可以简化

$dom = new DOMDocument();
$dom->loadHTML($html);

$xpath = new DOMXPath($dom);

$tags = $xpath->query('//div[@class="main"]/div[@class="text"]');
foreach ($tags as $tag) {
    $innerHTML = '';

    $children = $tag->childNodes;
    foreach ($children as $child) {     
        $innerHTML .= $dom->saveHTML($child);
    }

    var_dump(trim($innerHTML));
}

这种方式似乎产生了相同的结果,但不需要在循环DomDocument内创建新对象。foreach

编辑:

因此,经过进一步的实验,您实际上可以将上述内容简化为:

$dom = new DOMDocument();
$dom->loadHTML($html);

$xpath = new DOMXPath($dom);

$tags = $xpath->query('//div[@class="main"]/div[@class="text"]');
foreach ($tags as $tag) {
    var_dump(trim($dom->saveHTML($tag)));
}
于 2014-05-08T19:24:14.933 回答