Question

我正在使用XPath从HTML页面中选择一个部分。但是，当我使用XPath提取节点时，正确仅选择围绕 HTML标记，不 HTML标记本身。

示例HTML

<body>
    <div>
      At first glance you may ask, &#8220;what <i>exactly</i>
      do you mean?&#8221; It means that we want to help <b>you</b> figure...
    </div>
</body>

我有以下XPath

/body/div

我得到以下

At first glance you may ask, “what do you mean?” It means that we want to help figure...

我想要

At first glance you may ask, “what exactly do you mean?” It means that we want to help you figure...

如果您在示例HTML中注意到内容中有和个HTML标记。当我提取内容时，这些标签中的单词会“丢失”。

如果有所不同，我在PHP中使用SimpleXML。

Answer 1

您的XPath很好，但您可以删除最终的/.，因为这是多余的：

/atom/content

所有HTML都在<![CDATA ]]>部分内，因此在XML DOM中，您实际上只有文本。 和标记不会被解析为标记，而只会显示为文本。使用CDATA部分与XML的编写方式完全相同：

<atom>
    <content>
      At first glance you may ask, &amp;#8220;what &lt;i&gt;exactly&lt;/i&gt;
      do you mean?&amp;#8221; It means that we want to help &lt;b&gt;you&lt;/b&gt; figure...
    </content>
</atom>

因此，无论你在<content>元素之后做什么，都会丢弃这些标签。您是稍后将文本解析为HTML，还是通过过滤器或类似的方式运行？

Answer 2

SimpleXML不喜欢文本节点，因此您必须使用自定义解决方案。

您可以在每个asXML()元素上使用div，然后移除div代码，也可以将div元素转换为DOMNode s然后循环$div->childNodes并序列化每个孩子。请注意，如果可用，您的HTML实体很可能会替换为实际字符。

或者，您可以查看SimpleDOM project并使用其innerHTML()方法。

$html = 
'<body>
    <div>
      At first glance you may ask, &#8220;what <i>exactly</i>
      do you mean?&#8221; It means that we want to help <b>you</b> figure...
    </div>
</body>';

$body = simpledom_load_string($html);

foreach ($body->xpath('/body/div') as $div)
{
    var_dump($div->innerHTML());
}

Answer 3

我不知道SimpleXML是否不同，但对我而言，您似乎需要确保选择所有节点类型而不仅仅是文本。在标准XPath中，您可以执行/ body / div / node（）

使用XPath拉出包含子节点的完整节点

3 个答案: