Question

假设我有一个HTML页面如下：

<!-- This is the opening tag -->
<div class="content_text">
  <div>Title</div>
  <div>Author Name</div>
  <div>Some complicated HTML elements correctly validated</div>
  <b>Some more text</b>
  <img ... />
  <div> more and more text </div>
</div><!-- This is the correct closing tag -->

如何获取带有class="content_text"的div的开头和正确的结束标记之间的内容？

我尝试了正则表达式，但我找不到任何简单甚至难以实现的方法。

我试过XPath，但我仍然无法获得内容。相反，我在外部div中得到了文本。

Answer 1

您可以使用PHP Simple HTML DOM Parser来解析HTML，就像DOMDocument那样。

注意： PHP has support for DOMDocument directly as well。

Answer 2

    $scrape_address = "http://www.al-madina.com/node/444862";
    $ch = curl_init($scrape_address);
    curl_setopt ($ch, CURLOPT_RETURNTRANSFER, '1'); 
    curl_setopt($ch, CURLOPT_HEADER, 0);
    curl_setopt($ch, CURLOPT_ENCODING, "");
    $data = curl_exec($ch);
    // I couldn't get an element by Attribute so I just replaced class to id
    $data = str_replace('class="content_text"','id="my_unique_id"',$data);

    $domd = new DOMDocument();
    libxml_use_internal_errors(true);
    $domd->loadHTML($data);
    libxml_use_internal_errors(false);
    $div = $domd->getElementById("my_unique_id");

    if ($div) {
      $dom2 = new DOMDocument();
      $dom2->appendChild($dom2->importNode($div, true));
      echo $dom2->saveHTML();
    } else {
      echo "Nothing found";
    }

Answer 3

我建议使用PHP的DOMDocument - 除非内容总是以完全相同的方式构建，正则表达式不会这样做，即便如此，它也不会很漂亮。

此外，这是使用SimpleXML解决的question about a similar situation，也许可以提供帮助。

Answer 4

您似乎已经能够成功运行XPath查询，所以我省略了PHP代码并直接进入XPath部分。

不确定“内容”是什么意思，所以我提供了一些替代方案：

您想要<div/>中的所有文本节点：

//div[@class="content_text"]//text()

您希望所有XML包括元素：

//div[@class="content_text"]

两者都会返回一组结果，请务必循环。

PHP：如何获取HTML元素的正确结束标记

4 个答案: