如何从DOM中删除无效元素?

时间:2012-10-09 15:21:31

标签: php javascript html dom xpath

我们有以下代码列出找到$value的xpath。

我们检测到给定的网址(参见图片)非标准标记td1,此外没有结束标记。正如您在下面的屏幕截图中看到的那样,网站开发人员可能会故意将其放在那里。

此元素在标识节点的corect XPath时会产生问题。

破碎的Xpath示例:

/html/body/div[2]/div[2]/table/tr[2]/td/table/tr[1]/td[2]/table/tr[2]/td[2]/table[3]/tr[2]/**td1**/td[2]/span/u[1]

(如您所见,在Xpath中识别并链接了td1)

我们认为通过删除这个元素,它可以帮助我们构建我们追求的有效XPath。

一个有效的例子是

/html/body/div[2]/div[2]/table/tr[2]/td/table/tr[1]/td[2]/table/tr[2]/td[2]/table[3]/tr[2]/td[2]/span/u[1]

我们如何删除DOMXpath中的先前加载?你有其他方法吗?

我们想删除除td1以外的所有无效标签,如h8,diw等......

private function extract($url, $value) {

        $dom = new DOMDocument();

        $file = 'content.txt';
        //$current = file_get_contents($url);
        $current = CurlTool::downloadFile($url, $file);
        //file_put_contents($file, $current);

        @$dom->loadHTMLFile($current);

        //use DOMXpath to navigate the html with the DOM
        $dom_xpath = new DOMXpath($dom);

        $elements = $dom_xpath->query("//*[text()[contains(., '" . $value . "')]]");
        var_dump($elements);
        if (!is_null($elements)) {

            foreach ($elements as $element) {
                var_dump($element);
                echo "\n1.[" . $element->nodeName . "]\n";

                $nodes = $element->childNodes;
                foreach ($nodes as $node) {
                    if( ($node->nodeValue != null) && ($node->nodeValue === $value) ) {
                        echo '2.' . $node->nodeValue . "\n";
                        $xpath = preg_replace("/\/text\(\)/", "", $node->getNodePath());
                        echo '3.' . $xpath . "\n";
                    }
                }
            }
        }
    }

enter image description here

2 个答案:

答案 0 :(得分:1)

Sooo ......也许str_replace($current, "<td1 va-laign=\"top\">", "")可以做到这一点?

答案 1 :(得分:1)

您可以使用XPath查找有问题的节点并将其删除,同时将其子节点提升到DOM中的位置。那么你的路径就是正确的。

$dom_xpath = new DOMXpath($dom);
$results = $dom_xpath->query('//td1'); // (or any offending element)
foreach ($results as $invalidNode)
{
    $parentNode = $invalidNode->parentNode;
    while ($invalidNode->childNodes)
    {
        $firstChild = $invalidNode->firstChild;
        $parentNode->insertBefore($firstChild,$invalidNode);
    }
    $parentNode->removeChild($invalidNode);
}

编辑:

您还可以使用有效元素列表并将其否定来构建违规元素列表。

// Build list manually from the HTML spec:
// See: http://www.w3.org/TR/html5/section-index.html#elements-1
$validTags = array();

// Convert list to XPath:
$validTagsStr = '';
foreach ($validTags as $tag)
{
    if ($validTagsStr)
    {   $validTagsStr .= ' or ';    }
    $validTagsStr .= 'self::'.$tag;
}
$results = $dom_xpath->query('//*[not('.$validTagsStr.')');