Question

我正在尝试从HTML字符串中枚举超链接列表（特别是HREF组件）。雅虎的早期版本看起来与每个页面的内容相差不远（一系列超链接分为LI和UL标签分组。

我们正在从旧系统解析一系列以前手工制作的HTML页面，并希望仅从每个页面中提取有意义的内容，而不是迁移整个字符串。在我的测试中，我的过程很简单，如下所示：

将html页面的内容加载到字符串
解析查找“A”对象的内容，但仅在分配了特定类的特定标记
找到每个列表，回显（用于测试）url（并最终将该项目写入我们的数据库）。

我很确定这样做的最好方法是使用正则表达式，但是从我在堆栈溢出时可以找到的示例中我无法使它们正常工作（甚至可以回显找到的匹配项） DOM Parser也没有太大的成功。

我的测试数据如下所示：

<html>
<body>
<li><a href='beforelist.com'></a></li>
<ul class="summary">
<li><a href='test.com'></a></li>
<li><a href='test2.com'></a></li>
<li><a href='etc.com'></a></li>
</ul>
<li><a href='afterlist.com'></a></li>
<img src='/test.png'>
</body>
</html>

我正在寻找匹配的输出（只有在找到class ='summary'之后：

 test.com
 test2.com
 etc.com

摘要分组之外的所有内容都会被忽略，并且对于它可能包含的内容非常不可预测。我确信我错过了一些明显的东西，非常感谢任何帮助！我从来没有真正理解如何正确编写正则表达式模式。：）

Answer 1

方法是使用DOMDocument，而DOMXPath永远不会使用正则表达式解析HTML。

以下是您案例的简单示例：

// Create new DOM
$dom = new DOMDocument();
// Import your HTML string into DOM
$dom->loadHTML($html);

// Create new XPath which has the above DOM as resource
$xpath = new DOMXPath($dom);

// Find every ul with class summary and select all the "a"s in it
$links = $xpath->query("//ul[@class='summary']//a");

// Loop through the links
foreach($links as $link) {
    // Print out the href attribute
    var_dump($link->getAttribute('href'));
}

这个小PHP片段的输出是：

string 'test.com' (length=8)
string 'test2.com' (length=9)
string 'etc.com' (length=7)

真的很容易。 XPath查询将查找包含类summary的无序列表中的所有链接。即使它是嵌套列表。

Answer 2

带解释的代码：

<?php
// to retrieve selected html data, try these DomXPath examples:

$html="<html>
<body>
<li><a href='beforelist.com'></a></li>
<ul class='summary'>
<li><a href='test.com'></a></li><li><a href='test2.com'></a></li><li><a href='etc.com'></a></li>
</ul>
<li><a href='afterlist.com'></a></li>
<img src='/test.png'>
</body>
</html>";
$doc = new DOMDocument;
$doc->loadHTML($html);

$xpath = new DOMXpath($doc);

// example 1: for everything with an id
//$elements = $xpath->query("//*[@id]");

// example 2: for node data in a selected id
//$elements = $xpath->query("/html/body/div[@id='yourTagIdHere']");

// example 3: what you are looking for
$elements = $xpath->query("//ul[@class='summary']//li/a");

if (!is_null($elements)) {
  foreach ($elements as $element) {
    echo $element->getAttribute('href'). "\n";

  }
}
?>

演示：https://eval.in/173506

枚举HTML字符串中的HREF项

2 个答案: