Php 用于解析HTML的DOMDocument（而不是regex）

我正在尝试学习使用DOMDocument解析HTML代码

我只是在做一些简单的工作，我已经喜欢上了gordon的答案，并且我的代码基于他的工作

我发现PHP.net上的文档不是很好，因为信息有限，几乎没有示例，而且大多数细节都基于解析XML

<?php
$dom = new DOMDocument;
libxml_use_internal_errors(true);
$dom->loadHTMLFile('http://www.nu.nl/internet/1106541/taalunie-keurt-open-sourcewoordenlijst-goed.html');
libxml_clear_errors();

$recipe = array();
$xpath = new DOMXPath($dom);
$contentDiv = $dom->getElementById('page'); // would have preferred getContentbyClass('content') (unique) in this case.

# title
print_r($xpath->evaluate('string(div/div/div/div/div/h1)', $contentDiv));

# content (this is not working)
#print_r($xpath->evaluate('string(div/div/div/div['content'])', $contentDiv)); // if only this worked
print_r($xpath->evaluate('string(div/div/div/div)', $contentDiv));
?>

loadHTMLFile（'http://www.nu.nl/internet/1106541/taalunie-keurt-open-sourcewoordenlijst-goed.html');
libxml_clear_errors（）；
$recipe=array（）；
$xpath=newdomxpath（$dom）；
$contentDiv=$dom->getElementById（'page'）；//在这种情况下，会更喜欢getContentbyClass（'content'）（唯一）。
#头衔
打印（$xpath->evaluate（$string（div/div/div/div/h1）$contentDiv））；
#内容（这不起作用）
#打印（$xpath->evaluate（'string（div/div/div/div['content']），$contentDiv））；//要是这样行就好了
打印（$xpath->evaluate（$string（div/div/div/div）’，$contentDiv））；
?>

出于测试目的，我试图获取nu.nl新闻文章的标题（在h1标记之间）和内容（HTML）

---

正如您所看到的，我可以得到标题，尽管我甚至对这个evaluate字符串不太满意，因为它恰好是该div级别上唯一的h1标记。

您不应该为原始DOMDocument接口而烦恼。而是使用一个jQuery样式的类进行提取

如果使用更具体的选择器，QueryPath似乎可以正常工作：

include "qp.phar";
$qp = htmlqp("http://www.nu.nl/internet/1106541/taalunie-keurt-open-sourcewoordenlijst-goed.html");

print $qp->find(".header h1")->text();
print $qp->top()->find(".article .content")->xhtml();

---

但是，您可能需要先剥离混合的Javascript（

->find（“script”）->remove（）

）。

以下是使用DOM和XPath的方法：

$dom = new DOMDocument;
libxml_use_internal_errors(true);
$dom->loadHTMLFile('http://www.nu.nl/…');
libxml_clear_errors();

$xpath = new DOMXPath($dom);
echo $xpath->evaluate('string(id("leadarticle")/div/h1)');
echo $dom->saveHtml(
    $xpath->evaluate('id("leadarticle")/div[@class="content"]')->item(0)
);

XPath

字符串（id（“leadarticle”）/div/h1）

将返回h1的textContent，h1是id为leadarticle的元素的子元素div的子元素

XPath

id（“leadarticle”）/div[@class=“content”]

将返回具有class属性content的div，该属性content是id为leadarticle的元素的子元素

---

因为您需要contentdiv的outerHTML，所以必须获取整个节点，而不仅仅是内容，因此不需要。将一个节点传递给方法（），然后将该节点序列化回HTML。

为什么不在xpath字符串中搜索

h1

？我将+1这一点，但绝对不同意您不应该为原始文档操心。我们不应该为SimpleHtmlDOM操心，但DOMDocument是一个优秀的语言无关接口和PHP扩展，从技术上讲，它包含OP所需的一切。那些第三方LIB只是增加了便利。