使用PHP简单HTML DOM解析器从{html中提取dom元素

Question

我尝试使用this site从PHP Simple HTML DOM PARSER提取包含文字的文章的链接。

我想在主页面中提取文章的所有h2标记，并且我试图这样做：

    $html = file_get_html('http://www.winbeta.org');
    $articles = $html->getElementsByTagName('article');
    $a = null;

    foreach ($articles->find('h2') as $header) {
                $a[] = $header;
    }

    print_r($a);

根据手册，它应首先获取article标签内的所有内容，然后为每篇文章提取h2并保存在数组中。但相反它给了我：

修改

Answer 1

有几个问题：

• getElementsByTagName显然会返回单个节点，而不是数组，因此如果页面上有多个 article 标记，则无效。而是使用确实返回数组的find;
• 但是，一旦您进行了切换，就无法对find的结果使用find，因此您应该对每个匹配的文章标记执行此操作，或者更好地使用组合选择器作为find的参数;
• 主要问题：您必须使用->plaintext显式检索节点的文本内容，否则您将获得该节点的对象表示及其所有属性和内部结构;
• 部分文字包含’等HTML实体。这些可以使用html_entity_decode进行解码。

所以这段代码应该有效：

$a = array();
foreach ($html->find('article h2') as $h2) { // any h2 within article
    $a[] = html_entity_decode($h2->plaintext);
}

使用array_map，你也可以这样做：

$a = array_map(function ($h2) { return html_entity_decode($h2->plaintext); }, 
               $html->find('article h2'));

如果您还需要检索文章中的其他标签，将文本存储在不同的数组中，那么您可以执行以下操作：

$a = array();
$b = array();
foreach ($html->find('article') as $article) {
    foreach ($article->find('h2') as $h2) {
        $a[] = html_entity_decode($h2->plaintext);
    }
    foreach ($article->find('h3') as $h3) {
        $b[] = html_entity_decode($h3->plaintext);
    }
}