DOMDocument in php

php html-parsing xml-parsing domdocument

2022-08-30 16:23:15

我刚刚开始阅读有关DOM的文档和示例，以便对文档进行爬网和解析。

例如，我有部分文档如下所示：

    <div id="showContent">
    <table>
    <tr>
        <td>
         Crap
        </td>
    </tr>
<tr>
          <td width="172" valign="top"><a href="link"><img height="91" border="0" width="172" class="" src="img"></a></td>
          <td width="10">&nbsp;</td>
          <td valign="top"><table cellspacing="0" cellpadding="0" border="0">
              <tbody><tr>
                <td height="30"><a class="px11" href="link">title</a><a><br>
                    <span class="px10"></span>
                </a></td>
              </tr>
              <tr>
                <td><img height="1" width="580" src="crap"></td>
              </tr>
              <tr>
                <td align="right">
                    <a href="link"><img height="16" border="0" width="65" src="/buy"></a>
                </td>
              </tr>
              <tr>
                <td valign="top" class="px10">
                    <p style="width: 500px;">description.</p>
                </td>
              </tr>
          </tbody></table></td>
        </tr>
    <tr>
        <td>
Crap
        </td>
    </tr>
    <tr>
        <td>
         Crap
        </td>
    </tr>
    </table>
    </div>

我正在尝试使用以下代码来获取所有标记并分析其中是否存在废话或信息：tr

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

$xpath = new DOMXPath($dom);


$tags = $xpath->query('.//div[@id="showContent"]');
foreach ($tags as $tag) {
    $string="";
    $string=trim($tag->nodeValue);
    if(strlen($string)>3) {
        echo $string;
        echo '<br>';
    }
}

但是，我得到的只是没有标签的剥离字符串，例如：

Crap

Crap
Title
Description

但我想得到：

<tr>
   <td>Crap</td>
</tr>
<tr>
   <a href="link">title</a>
</tr>

如何保留html节点（标签）？

答案 1

如果你想使用DOM，你必须理解这个概念。DOM 文档中的所有内容（包括 DOMDocument）都是一个节点。

DOMDocument 是节点的分层树结构。它从根节点开始。该根节点可以具有子节点，所有这些子节点都可以具有单独的子节点。基本上，a中的所有内容都是某种类型的节点类型，无论是元素，属性还是文本内容。DOMDocument

          HTML                               Legend: 
         /    \                              UPPERCASE = DOMElement
       HEAD  BODY                            lowercase = DOMAttr
      /          \                           "Quoted"  = DOMText
    TITLE        DIV - class - "header"
     |             \
"The Title"        H1
                    |
           "Welcome to Nodeville"

上图显示了包含一些节点的 DOM 文档。有一个根元素（HTML）有两个子元素（HEAD 和 BODY）。连接线称为轴。如果沿着轴向下移动到 TITLE 元素，您将看到它有一个 DOMText 叶。这很重要，因为它说明了一个经常被忽视的事情：

<title>The Title</title>

不是一个，而是两个节点。具有 DOMText 子级的 DOMElement。同样，这个

<div class="header">

实际上是三个节点：带有 DOMAttr 的 DOMElement，其中包含一个 DOMText。由于所有这些从 DOMNode 继承其属性和方法，因此熟悉 DOMNode 类至关重要。

在实践中，这意味着您获取的 DIV 链接到文档中的所有其他节点。您可以随时一直到根元素或叶子。一切都在那里。您只需要查询或遍历文档以获取所需的信息。

您是否通过迭代或使用或 XPath 来执行此操作取决于您。你只需要明白，你使用的不是原始HTML，而是代表整个HTML文档的节点。childNodesDIVgetElementByTagName()

如果您在从文档中提取特定信息时需要帮助，则需要阐明要从中获取哪些信息。例如，您可以询问如何从表中获取所有链接，然后我们可以回答如下问题：

$div = $dom->getElementById('showContent');
foreach ($div->getElementsByTagName('a') as $link) 
{
    echo $dom->saveXML($link);
}

但除非您更具体，否则我们只能猜测哪些节点可能相关。

如果您需要有关如何使用DOM的更多示例和代码片段，请浏览我之前对相关问题的回答：

https://stackoverflow.com/search?q=user%3A208809+DOM

到目前为止，对于 DOM 可能具有的每个基本到中等用例，都应该有一个代码段。

答案 2

要创建解析器，您可以使用htmlDOM。

用php编写的DOM解析器非常简单易用。通过使用它，您可以轻松获取标签的内容。div

例如，查找属性值为 .dividtext

$ret = $html->find('div[id=text]');