Question

遵循Stackoverflow的优点和建议，我不使用正则表达式来解析HTML。相反，我正在使用QueryPath，但我得到了意想不到的结果，我无法理解。

首先以此HTML片段为例。

<div class="allLinks">
    <h2>Headline 1</h2>
    <ul>
        <li class="clearfix">
            <ul class="cat"><li>Category 1</li></ul>
            <a href="/some-link/">Link Title 1</a>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
        </li>
    </ul>
    <h2>Headline 2</h2>
    <ul>
        <li class="clearfix">
            <ul class="cat"><li>Category 1</li><li>Category 2</li></ul>
            <a href="/some-link/">Link Title 2</a>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
        </li>
    </ul>
    <h2>Headline 3</h2>
    <ul>
        <li class="clearfix">
            <ul class="cat"><li>Category 2</li></ul>
            <a href="/some-link/">Link Title 3</a>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
            <br /><span><img src="//someimage.gif" alt="Link Info" /> 
            <a href="http://a-link" rel="nofollow">Link Source</a></span>
        </li>
    </ul>
</div>

我想从中提取的是链接标题（将是每个

中第一个链接的文本），然后是它下面的链接，以及alt属性的值从图像恰好提供我需要的链接信息。

以下是我接近它的方式

$qp = htmlqp($url, 'div.allLinks'); // Load the fragment from the HTML
foreach($qp->find('ul') as $items) { // Loop through the UL elements
    $title = $items->find('li>a')->text(); // Find <a> elements that are directly under the <li>
    foreach($items->find('span') as $links) { // Loop through all the <spans>
        $link_info = $links->find('img')->attr('alt'); // Get the alt text value
        $link = $links->find('a')->attr('href'); // Get the link
        $source = $links->find('a')->text(); // Get the anchor text
    }
}

然而，只要该项目在无序列表中有多个类别并且将标题返回为“链接标题2链接标题3”（由于某种原因将它们连接在一起），这似乎就会变得混乱。

使用QueryPath从HTML中提取链接和关联数据

0 个答案: