Question

我想使用php

从外部网站提取（解析）部分HTML文档

例如：要从雅虎提取新闻，我尝试使用sourceforge中的SimpleHTML DOM Parser

<?php
$url="http://news.yahoo.com/einsteins-brain-now-interactive-ipad-app-071441969.html";
include('simple_html_dom.php');  
$html=new simple_html_dom();
$html->load_file($url);
$xxx=$html->find('title')->innertext; 
echo $xxx;
?>

致命错误：在非对象中调用成员函数find（）第1113行/home/a1234bc/public_html/simple_html_dom.php

然后我尝试回显加载的html

<?php
$url="http://news.yahoo.com/einsteins-brain-now-interactive-ipad-app-071441969.html";
include('simple_html_dom.php');  
$html=new simple_html_dom();
$html->load_file($url);
echo $html;
?>

现在我明白了：

致命错误：在非对象中调用成员函数innertext（）第1688行/home/a1234bc/public_html/simple_html_dom.php

我也尝试过使用DOMDocument（）到file_get_contents（）

<?php
$url="http://news.yahoo.com/einsteins-brain-now-interactive-ipad-app-071441969.html";
$content = file_get_contents($url);
// echo $content works perfect

$doc = new DOMDocument();
$doc->loadHTML($content);
$jjj=$doc->getElementsByTagName('title')->item(0);
echo $jjj;
?>

这会引发很长的警告列表。所以，让我只复制粘贴前10个

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：   htmlParseEntityRef：实体中没有名称，行：166英寸   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：   htmlParseEntityRef：期待';'在实体，行：166英寸   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：   htmlParseEntityRef：实体中没有名称，行：256英寸   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：   htmlParseEntityRef：期待';'在实体中，行：256英寸   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：标记   fb：登录按钮在实体中无效，行：256英寸   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：   htmlParseEntityRef：期待';'在实体，行：275英寸   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：   htmlParseEntityRef：期待';'在实体，行：287 in   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：   htmlParseEntityRef：期待';'在实体，行：292 in   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：   htmlParseEntityRef：期待';'在实体，行：311 in   第37行/home/a1234bc/public_html/simple_html_dom.php

警告：DOMDocument :: loadHTML（）[domdocument.loadhtml]：属性   在实体中重新定义的类，行：325英寸   第37行/home/a1234bc/public_html/simple_html_dom.php

有人可以指出我正确的方向吗？

Answer 1

使用面向对象的方法时出现了同样的错误，如手册中所示：

// Create a DOM object
$html = new simple_html_dom();

// Load HTML from a string
$html->load('<html><body>Hello!</body></html>');

// Load HTML from a URL 
$html->load_file('http://www.google.com/');

// Load HTML from a HTML file 
$html->load_file('test.htm');

当我切换到手册中显示的快速方式时，摆脱了错误并使我的脚本工作：

// Create a DOM object from a string
$html = str_get_html('<html><body>Hello!</body></html>');

// Create a DOM object from a URL
$html = file_get_html('http://www.google.com/');

// Create a DOM object from a HTML file
$html = file_get_html('test.htm');

此后$html->find工作得很好！

可以在此处找到PHP Simple HTML DOM Parser手册：http://simplehtmldom.sourceforge.net/manual.htm

希望这有帮助！

Answer 2

DOMDocument / SimpleXML用于解析XML而不是HTML。您需要使用file_get_contents将HTML转换为字符串，然后使用字符串操作函数来获取所需的部分。 preg_match_all将是一个很好的起点。

加载和解析外部HTML的一部分

2 个答案: