PHP xpath提取网页数据内容代码解析

砸漏

发布于 2020-11-02 10:46:51

1.9K0

发布于 2020-11-02 10:46:51

文章被收录于专栏：恩蓝脚本

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。

  /**
   * 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。

  /**
   * 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

<?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。

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2020-09-11 ，如有侵权请联系 cloudcommunity@tencent.com 删除

html