PHP xpath提取网页数据内容代码解析

时间:2021-09-10 14:40:13

想要使用xpath来解析html内容, PHP自带两个对象

DOMDocument,DOMXpath,其中初始化 loadHtml一般都会报很多警告,但是并不影响使用,用@屏蔽错误。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
/**
 * 初始化DOMXpath对象
 *
 * @param [type] $content 网页内容
 * @param [array] $pathinfo 匹配信息
 *
 * @return void
 */
private function _createXpathObj($content, $patinfo)
{
  // 如果没有xpath配置项,不初始化xpath
  if (!$this->_existsXpathParse($patinfo)) {
    return;
  }
  try {
    $dom = new \DOMDocument();
    @$dom->loadHtml($content);
    $dom->normalize();
    $xpath = new \DOMXpath($dom);
    $this->xpathObj = $xpath;
  } catch (\Exception $e) {
    getService('logger')->warning('Parse html fail', ['content' => $content]);
  }
}

其中 $node 为 DOMElement 对象。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
/**
 * 获取Xpath解析值
 *
 * @param [type] $pat 匹配模式
 *
 * @return string
 */
private function _getXpathField($pat)
{
  $objs = $this->xpathObj->query($pat);
  if ($objs->length > 0) {
    $node = $objs->item(0);
    $outerHTML = $node->ownerDocument->saveHTML($node);
    return trim($outerHTML);
    # 作为示例 输出innerhtml
    //$innerHTML = '';
    //foreach ($node->childNodes as $childNode){
    //   $innerHTML .= $childNode->ownerDocument->saveHTML($childNode);
    //}
    //return $innerHTML;
    # 作为示例 输出文本不含标签
    //return $node->textContent; //$node->nodeValue;
  }
  return '';
}

示例

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
<?php
    $dom = new DOMDocument('1.0','UTF-8');
    $dom->loadHTML('<html><body><div><p>p1</p><p>p2</p></div></body></html>');   
    $node = $dom->getElementsByTagName('div')->item(0);   
    $outerHTML = $node->ownerDocument->saveHTML($node);   
    $innerHTML = '';
    foreach ($node->childNodes as $childNode){
        $innerHTML .= $childNode->ownerDocument->saveHTML($childNode);
    }
    echo '<h2>outerHTML: </h2>';
    echo htmlspecialchars($outerHTML);
    echo '<h2>innerHTML: </h2>';
    echo htmlspecialchars($innerHTML);   
?>

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。

原文链接:https://www.cnblogs.com/wangluochong/p/13222665.html