DOM文档在php中

Posted 2023-02-24

【中文标题】DOM文档在php中

【英文标题】：DOMDocument in php

【发布时间】：2011-06-26 04:12:51

【问题描述】：

我刚刚开始阅读有关 DOM 的文档和示例，以便抓取和解析文档。

例如，我有部分文档如下所示：

    <div id="showContent">
    <table>
    <tr>
        <td>
         Crap
        </td>
    </tr>
<tr>
          <td  valign="top"><a href="link"><img  border="0"  class="" src="img"></a></td>
          <td >&nbsp;</td>
          <td valign="top"><table cellspacing="0" cellpadding="0" border="0">
              <tbody><tr>
                <td ><a class="px11" href="link">title</a><a><br>
                    <span class="px10"></span>
                </a></td>
              </tr>
              <tr>
                <td><img   src="crap"></td>
              </tr>
              <tr>
                <td align="right">
                    <a href="link"><img  border="0"  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获取所有tr标签并分析其中是否有废话或信息：

$dom = new DOMDocument();
@$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）？

【问题讨论】：

见innerHTML in php's DOMDocument。

您的 XPath 与 div 匹配。要获得您显示的 HTML，您必须使用不同的 XPath 查询/查询，然后将结果传递给 echo $dom->save($node)。请说明你想要得到什么。

@netcoder innerHTML 这里根本不需要。

@netcoder 谢谢你的链接

@Gordon，我正在尝试获取一个页面的信息并将其显示在另一个页面中，但是该页面在表格中列出了很多信息，有些是相关的，有些不是，我有我想要的图片、标题和描述，然后是我不关心的样式、数字，但我想获取 div 内的 html 以分析数据的相关性，我的代码得到所有字符串和我不知道它是 td、原始 td 中的 div 还是其他东西（所有信息都在那个大 div 中）

【参考方案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 是节点的层次树结构。它从一个根节点开始。该根节点可以有子节点，所有这些子节点都可以有自己的子节点。基本上，DOMDocument 中的所有内容都是某种节点类型，无论是元素、属性还是文本内容。

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

上图显示了一个带有一些节点的 DOMDocument。有一个带有两个子元素（HEAD 和 BODY）的根元素 (HTML)。连接线称为轴。如果您沿着轴到 TITLE 元素，您会看到它有一个 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。带有 DOMText 子元素的 DOMElement。同样，这个

<div class="header">

实际上是三个节点：带有 DOMAttr 的 DOMElement 和 DOMText。因为所有这些都从 DOMNode 继承了它们的属性和方法，所以熟悉DOMNode class.

实际上，这意味着您获取的 DIV 链接到文档中的所有其他节点。您可以在任何时候一直到根元素或向下到叶子。这一切都在那里。您只需查询或遍历文档以获取所需信息。

您是通过迭代DIV 的childNodes 还是使用getElementByTagName() 或XPath 来做到这一点取决于您。您只需要了解您使用的不是原始 HTML，而是代表整个 HTML 文档的节点。

如果您在从文档中提取特定信息方面需要帮助，则需要说明您希望从中获取哪些信息。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：

$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是相关的。

如果您需要更多关于如何使用 DOM 的示例和代码 sn-ps，请浏览我之前对相关问题的回答：

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

到现在为止，对于每个基本到中等的 DOM 用例，都应该有一个 sn-p。

【讨论】：

谢谢 Gordon，我需要这样的东西来了解 dom 是如何工作的，但我认为我不能用它来抓取我需要的信息，因为它们不遵循任何标准并且没有类、id 或类似的东西，只有表格 :( 无论如何，该信息对学习如何使用它很有用 =D

+1 ...我一直在寻找 Nodeville 的地图！

【参考方案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。使用它可以轻松获取div标签的内容。

例如，查找所有具有id 属性且值为text 的div 标签。

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

【讨论】：

这对我来说做得更好。我正在使用一个 html 非常糟糕的网站。 domdocument 找不到我想要的节点。这个库可以更好地处理糟糕的 html。